0 调参技巧

1. 清洗数据，数据预处理，数据增广
2. 是否使用预训练模型
3. 使用BN
4. 在过拟合后，使用正则化技巧如L1、L2、Dropout
5. 对于不均匀样本，使用重采样
6. 使用合适的优化器。第一，如果你关心快速收敛，使用自适应优化器，如Adam，但它可能会陷入局部极小，提供了糟糕的泛化。第二，SGD+momentum可以实现找到全局最小值，但它依赖于鲁棒初始化，而且可能比其他自适应优化器需要更长的时间来收敛。我建议你使用SGD+动量，因为它能达到更好的最佳效果。
7. 学习率不小于1e-3，可以考虑使用学习率衰减
8. early stop

1 使用归一化/标准化会改变数据原来的规律吗？

归一化：将数据映射到指定的范围，如：把数据映射到0～1或-1~1的范围之内处理。作用：有量纲表达式变成无量纲表达式，便于不同单位或量级的指标能够进行比较和加权。简化计算。
min-max 归一化，也叫 0-1 标准化。

标准化：将数据变换为均值为0，标准差为1的分布，切记，并非一定是正态的。作用：提升模型的收敛速度（加快梯度下降的求解速度）。提升模型的精度（消除量级和量纲的影响）。简化计算（与归一化的简化原理相同）。
z-score 标准化

robust 标准化（RobustScaler）
MaxAbs 标准化（最大值绝对值标准化），MaxAbs具有不破坏数据结构的特点，可以用于稀疏数据。
归一化/标准化实质是一种线性变换，线性变换有很多良好的性质，这些性质决定了对数据改变后不会造成“失效”，反而能提高数据的表现，这些性质是归一化/标准化的前提。比如有一个很重要的性质：线性变换不会改变原始数据的数值排序。

2 如果是单纯想实现消除量级和量纲的影响，用Min-Max还是用Z-Score？

数据的分布本身就服从正态分布，使用Z-Score。有离群值的情况：使用Z-Score。
这里不是说有离群值时使用Z-Score不受影响，而是，Min-Max对于离群值十分敏感，因为离群值的出现，会影响数据中max或min值，从而使Min-Max的效果很差。相比之下，虽然使用Z-Score计算方差和均值的时候仍然会受到离群值的影响，但是相比于Min-Max法，影响会小一点。

3 离群值的应对措施

当数据中有离群点时，我们可以使用Z-Score进行标准化，但是标准化后的数据并不理想，因为异常点的特征往往在标准化后容易失去离群特征，此时就可以用RobustScaler 针对离群点做标准化处理。

4 One-hot编码的定义与作用

定义：

1. one-hot标签则是顾名思义，一个长度为n的数组，只有一个元素是1.0，其他元素是0.0。用N位状态寄存器来对N个状态进行编码。
2. 将离散特征的取值扩展到了欧式空间，离散特征的某个取值就对应欧式空间的某个点。
3. 输入输出的one-hot编码。

作用：

1. 独热编码用来解决类别型数据的离散值问题。
2. 提升模型的非线性能力。比如用LR算法做模型，在数据处理过程中，可以先对连续变量进行离散化处理，然后对离散化后数据进行one-hot编码，最后放入LR模型中。这样可以增强模型的非线性能力。
3. 为什么要特征向量要映射到欧式空间？将离散特征通过one-hot编码映射到欧式空间，是因为，在回归，分类，聚类等机器学习算法中，特征之间距离的计算或相似度的计算是非常重要的，而我们常用的距离或相似度的计算都是在欧式空间的相似度计算，计算余弦相似性，基于的就是欧式空间。

优缺点

1. 优点：独热编码解决了分类器不好处理属性数据的问题，在一定程度上也起到了扩充特征的作用。它的值只有0和1，不同的类型存储在垂直的空间。
2. 优点：非线性能力。
3. 缺点：高维稀疏矩阵。一般可以用 PCA + one-hot encoding。

什么场景下使用one-hot编码

1. 用：独热编码用来解决类别型数据的离散值问题。
2. 用：在很多学习任务中，特征并不总是连续值，而有可能是分类值。
3. 用：离散特征的取值之间没有大小的意义，比如color：[red,blue]，那么就使用one-hot编码。
4. 不用：将离散型特征进行one-hot编码的作用，是为了让距离计算更合理，但如果特征本身是离散的，并且不用one-hot编码就可以很合理的计算出距离，那么就没必要进行one-hot编码。有些基于树的算法在处理变量时，并不是基于向量空间度量，数值只是个类别符号，即没有偏序关系，所以不用进行独热编码。 Tree Model不太需要one-hot编码： 对于决策树来说，one-hot的本质是增加树的深度。

5 梯度消失 梯度爆炸

梯度消失：梯度趋近于零，网络权重无法更新或更新的很微小，网络训练再久也不会有效果。

梯度爆炸：梯度呈指数级增长，变的非常大，然后导致网络权重的大幅更新，使网络变得不稳定。

解决方法：

• 使用BN

6 Batch Normalization

BN可以固定小批量中的均值和方差，再学习出合适的偏移和缩放（可学习参数为 gamma，beta）。作用在全连接层的输出之后，激活函数前。也可以作用在全连接层的输入上。可以加速收敛速度，但是一般不改变模型精度。一般不配合dropout使用。用了BN后学习率可以稍微调大。

7 sigmoid激活函数

8 准确率

准确率(accuracy)=(TP+TN)/(TP+FN+FP+TN)，在所有样本中，预测正确的概率
精确率(precision)=TP/(TP+FP)，你认为的正样本中，有多少是真的正确的概率
召回率(recall)=TP/(TP+FN)，正样本中有多少是被找了出来