1、线性回归、逻辑回归
特征归一化(标准化)、正则化防止过拟合、激活函数的选择、迭代次数
2、KNN
K值的选择、距离的定义、决策的权重(不同距离的点赋予不同的权重)
3、神经网络
特征归一化(标准化)、层数、每层的神经元个数、学习速率、批量 batch_size、激活函数、初始化参数,优化器的选择;
卷积神经网络:卷积核的数目,移动的步长,边界的处理,池化层的选择(最大池化,平均池化),
循环神经网络、LSTM:序列长度
4、决策树、随机森林、GBDT
树的数目、树的深度、叶子节点的样本数、叶子分裂的限制条件、算法依据(GINI系数or信息熵)
tensorflow 参数初始化:
weight1 = tf.Variable(tf.random_normal([input_size, layer1_size]))
biaes1 = tf.Variable(tf.zeros([1, layer1_size]) + 0.1)
random_uniform、random_normal、truncated_normal、parameterized_truncated_normal
有时候 tf.zeros 要比 tf.random_normal好的多!