思考：机器学习方法性能不好怎么办？！

20210110 - 起笔于10点29分

0. 引言

我觉得这个问题很值得思考，你跑了一个算法，然后发现算法性能不好，这个时候该怎么办？在以前的时候，阅读某些材料时，看到过这样的说法：如果算法结果不好，可以尝试换一个算法，因为不同的算法他们可能迎合的数据假设或者说数据特点不一样。换言之，就是换一种不同类型的算法。当然，还有就是对算法的参数进行调优。

但是，如果你尝试了好多算法，而且你得到了你调优后的最优算法，那么这个时候，你该怎么办？！这个时候的性能还是不能符合你的要求，不能满足实际场景的需求，应该怎么办。

1. 本质问题

1.1 相关的解决方案有哪些

之前看到这个这一类的问题，首先要考虑是否是过拟合，也就是从训练集和测试集的差别上来看；然后就是换一个算法，希望通过从不同算法的角度来达到提升的效果；增加更多数据等等。
关于这部分内容，大致上都是这些思路。

但是假如这些方法都不行了，你应该怎么办。

1.2 算法的缺陷

有没有考虑过某个算法本身的问题呢？！实际上，如果你仅仅会通过更换算法的方式，如果运气好你碰到了一个好算法能够试用的问题，但是如果没有这么运气好呢。这样的角度本质上，跟一个脚本小子，调参大侠没什么区别。

所以， 我觉得，更应该思考深层次的问题，为什么这个算法不好，为什么别人的数据就好使，而你的数据不好使呢？！你能够做出甚么样的算法改变来提升这个性能呢！？

2. 思考

在写这篇文章的时候，我就在思考，我平时可能就是换换算法，调调参数，但是这次遇到的问题就是，知道的算法，都测试过了，性能还是不能提升，那这个时候该怎么办。可能以前我就会把锅摔到数据的问题上。

但是，如果是数据的问题，那就真的不要做了，没啥意义。那么假设不是数据的问题，你还有什么方法来进行改进呢。这才是应该思考的角度。

（完成于20210110 - 10点49分）