实践方法论（Datawhale X 李宏毅苹果书 AI夏令营）

1.看测试数据结果前，先看训练数据有没有做好。没有做好的原因：

1.1模型的灵活性不够

a.可以增加更多特征，

b.可以设一个更大的模型，

c.可以用深度学习

1.2优化做得不好（梯度下降问题）

1.3如何判定是以上哪个原因

1.3.1可以先跑一些比较小的、比较浅的网络，或甚至用一些非深度学习的方法，比如线性模型、支持向量机（Support Vector Machine，SVM），SVM 可能是比较容易做优化的，它们比较不会有优化失败的问题.看得到的损失。

1.3.2只有同样的模型，越做深损失越大，说明优化有问题。

1.3.3训练数据上面的损失小，测试数据上的损失大，可能是真的过拟合

1.4过拟合