1.正交化
指使用单个手段来控制一个指标，如样本的偏差过大时，即欠拟合，就采用增加模型复杂程度，来降低样本偏差
2.单实数评估指标
单实数评估样本也是我们平时常说的优化指标
accruacy = （tp + tn）/ (tp+fp+tn+fn)
precesion = (tp) / (tp+fp)
recall = (tp) / (tp+fp)
f1 = 2 / (1/ precesion + 1/ recall)
3.满足指标
满足指标通常在使得优化指标尽量大的前提下，另外可以满足其他的指标
比如在准确度大于90的情况下，使得运算的时间低于100ms
4.训练集，开发集， 测试集
如果在训练集上的效果不好，可能需要一个更好的算法，或者采用Adam梯度下降
如果在开发集上的效果不好，可能是出现过拟合的情况，可能需要正则化，这里不建议使用dropout，或者添加开发集的数目
如果测试集上的效果不好，你可能需要更大的开发集的样本数目，以实现较好的泛化能力的算法
如果在用户的体验上显得不好，那就需要更换开发集或者更改损失函数
我们在进行数据分配时，为了防止在测试集上出现不好的情况，需要将开发集和测试集进行混合
当数据量很大时，我们通常可以采用98%的数据作为训练集， 1%的数据作为验证集， 1%的数据作为测试集
5.改变指标
当我们不允许一些特殊情况产生的时候, 我们可以对损失函数中的条件添加权重
这里我的建议是损失函数可以尽量采用交叉熵损失函数
j = - ylogpred_y - (1-y)log(1-pred_y)
j = 1/(Σw) *Σｗ×ｌ(pred_y, y)
6. 人类的表现
贝叶斯最优误差：表示所能达到的最小的误差指标
可避免偏差： 表示当前误差与贝叶斯最优误差的差距，在这里提一下，偏差表示的是训练集的误差
可避免方差： 表示当前方差与当前误差的差距,方差表示的是测试集的误差
