2.2.4 调参与最终模型
     大多数学习算法都有些参数(parameter)需要设定，参数配置不同，学得模型的性能往往有显著差别．因此，在进行模型评估与选择时，除了要对适用学习算法进行选择，还需对算法参数进行设定，这就是通常所说的“参数调节”或简称“调参”(parameter tuning).
　 　读者可能马上想到，调参和算法选择没什么本质区别：对每种参数配置都训练出模型，然后把对应最好模型的参数作为结果，这样的考虑基本是正确的，机器学习常涉及两掌参数：一类是算法的参霆  但有一点需注意：学习算法的很多参数是在实数范围内取值，因此，对每种参数亦称”超参数“，数目常在配置都训练出模型来是不可行的，现实中常用的做法，是对每个参数选定一个10以内：另一类是模型昏参数，数目可能很多』篇  范围和变化步长，例如在[0；0.2]范围内以0.05为步长，则实际要评估的候选参如大型“深度学习”模型  数值有5个，最终是从这5个候选值中产生选定值．显然，这样选定的参数值往甚至有上百亿个参数，一者调参方式相似均是零  往不是“最佳”值，但这是在计算开销和性能估计之间进行折中的结果，通过生多个模型之后基于某萎  这个折中，学习过程才变得可行，事实上，即便在进行这样的折中后，调参往往评估方法来进行选择：习同之处在于前者通常是由  仍很困难．可以简单估算一下：假定算法有3个参数，每个参数仅考虑5个候选人工设定多个参数候选釜值，这样对每一组训练／测试集就有53：125个模型需考察；很多强大的学习算后产生模型，后者则是通过学习来产生多个候选模法有不少参数需设定，这将导致极大的调参工程量，以至于在不少应用任务中，型（例如神经网络在不同  参数{轮数停止训练）．