更新中

方法

目標：找到能充分學習數據規律，但不過度擬合噪聲的最小參數量。

增量策略：

• 優先增加深度（層數）：

  • 添加1個隱藏層（如16神經元）→ 訓練驗證

• 再增加寬度（神經元）：

  • 逐步提升每層神經元數（16 → 32 → 64 ...）

評價標準

核心是圍繞是否過擬合，通常用損失。在不平衡數據中，可能采用f1-score，看漏告和誤告來判斷是否過擬合（欠擬合時，識別稀有事件的能力低，容易漏告）

特例

時序數據?

極端條件下，稀有樣本僅出現在某一個集合中，導致使用損失評估的方法失效。