机器学习 关于调参

关于参数
feature scaling
机器学习中对于参数的理解不是数学中的数字，而是代表的是一种逻辑的趋势的数字，这种逻辑是人类对场景的逻辑，也可以看作是人思想上对场景与数字参数的经验，所以机器学习中的运算，不是数字的运算，而是逻辑的运算，如何设计出符合人类逻辑规律的运算，才能更好的预测趋势，这种数字概念更多指向场景对参数的逻辑，而并非数学世界的数字参数。人类逻辑是一种更为复杂的运算，它区别于单纯的算数运算，但究其根本也是一种运算，所以机器学的运算是模仿人类的逻辑的复杂运算，其本源是单纯的数学运算，如何构建出更加符合人类逻辑的运算体系，是机器学习的最终课题。

关于 参数 －1< X < 1
方差公式的局限性，要求最优终值无限逼近零，正是因为这种特性，我们必须对与参数调整以符合算术规则，来模仿逻辑。算术运算上的零意味着逻辑世界的最优策略，这种公式化的粗糙逻辑模仿存在许多问题，我们需要调整参数的权重让它符合算术世界的零，从而获得我们逻辑世界的最优策略。 (调参工程师由此产生－。－ )
参数的调整，一方面是参数对场景的意义，另一方面是参数对公式的意义。如何让公式更加有效的模仿场景去运算参数，是我们调参的重点，一是理解参数与场景的关系，而是理解参数与公式的关系，然后调整参数让公式去模仿场景，让算术运算去模仿逻辑运算。关于如何模仿逻辑运算，就要构建一个像人类一样的负责的运算体系。

特征值权重思想更加符合场景对不同参数的敏感度，不同的参数对于场景权重不同。

引导学习的作用
场景变换，环境变化对机器学习的影响，如何正确的引导机器学习给予算法以灵魂，当我们在场景改变的时候是否可以调整对机器学习运算的策略，如何给予机器学习更加自由的场景，以改变场景而并非改变参数来影响结果，是我们需要思考的。