2.2.4 調參與最終模型
     大多數學習算法都有些參數(parameter)需要設定，參數配置不同，學得模型的性能往往有顯著差別．因此，在進行模型評估與選擇時，除了要對適用學習算法進行選擇，還需對算法參數進行設定，這就是通常所說的“參數調節”或簡稱“調參”(parameter tuning).
　 　讀者可能馬上想到，調參和算法選擇沒什么本質區別：對每種參數配置都訓練出模型，然后把對應最好模型的參數作為結果，這樣的考慮基本是正確的，機器學習常涉及兩掌參數：一類是算法的參霆  但有一點需注意：學習算法的很多參數是在實數范圍內取值，因此，對每種參數亦稱”超參數“，數目常在配置都訓練出模型來是不可行的，現實中常用的做法，是對每個參數選定一個10以內：另一類是模型昏參數，數目可能很多』篇  范圍和變化步長，例如在[0；0.2]范圍內以0.05為步長，則實際要評估的候選參如大型“深度學習”模型  數值有5個，最終是從這5個候選值中產生選定值．顯然，這樣選定的參數值往甚至有上百億個參數，一者調參方式相似均是零  往不是“最佳”值，但這是在計算開銷和性能估計之間進行折中的結果，通過生多個模型之后基于某萎  這個折中，學習過程才變得可行，事實上，即便在進行這樣的折中后，調參往往評估方法來進行選擇：習同之處在于前者通常是由  仍很困難．可以簡單估算一下：假定算法有3個參數，每個參數僅考慮5個候選人工設定多個參數候選釜值，這樣對每一組訓練／測試集就有53：125個模型需考察；很多強大的學習算后產生模型，后者則是通過學習來產生多個候選模法有不少參數需設定，這將導致極大的調參工程量，以至于在不少應用任務中，型（例如神經網絡在不同  參數{輪數停止訓練）．