模型调优（二）· 超参数、曲线诊断与判读练习

1每个参数是什么意思：学习率 / 批次 / 轮数 / 占比 / 时间步

平台上要填的就这几个，每个都用一张图说清楚。

模型每次「改错」改多大一步。太大→ 跳过头、来回抖（震荡）；太小→ 走得慢、可能半路停住（局部最优）。平台范围 0.00001–0.1，第一次填 0.001（LSTM/GRU/RNN/DNN）或 0.05（XGBoost）。

一次喂几条数据给模型。小→ 学得细但慢、曲线容易抖；大→ 快但粗。第一次填 32。只有神经网络（DNN/RNN/LSTM/GRU）有这个参数。

全部训练数据从头到尾看几遍。少→ 没学够（欠拟合）；多→ 背下来了（过拟合）。平台 10–500，第一次填 50，看曲线再加减。

把数据切两份：前面一份给模型学（训练集），后面一份考它（验证集）。0.8 = 前 80% 学、后 20% 考。时序数据按时间先后切，不打乱。范围 0.5–0.95，填 0.8 就行。

往前看几个点来猜下一个点。这题最关键的参数，上午课第 5 节已讲。平台范围 5–100。

模型「有多大脑容量」。层多、神经元多 → 能学复杂规律，但慢、容易过拟合。第一次 2 层 × 64；过拟合就减、欠拟合就加。

XGBoost 是很多棵「判断树」投票。树多、树深 → 更准但更慢、易过拟合。第一次 200 棵 × 深 6。

题目里提到，但平台界面没有这个选项，不用管。

结果页的 Loss 曲线有两条线：蓝 = 训练（学过的数据上的误差），橙 = 验证（没见过的数据上的误差）。看三件事：两条线最后贴不贴、有没有降到底、抖不抖。

问题	曲线长什么样（看得见的）	为什么	一句话记
过拟合	蓝线一直降，橙线先降后升，两条线越来越开	模型把训练数据背下来了，没见过的就不会	蓝降橙升 = 背题
欠拟合	两条线都很高、降得慢，到最后一轮还没降下来，但贴得近	模型太简单，或者没学够轮数	都高不降 = 没学够
局部最优	很早就平了，停在一个明显偏高的位置不动	学习率太小走不出去，或优化器不合适	早平高位 = 卡住
震荡	忽上忽下，大幅抖动，稳不下来	学习率太大，每步都跳过最低点	上下乱跳 = 步子大

答案解析给的方案，加上平台上对应的按钮。一次只改一处，改完重训看曲线。

问题	改什么（按优先级）	平台上哪个框	举例
过拟合	① 减训练轮数　② 减层数　③ 减每层神经元　④ 减树的深度 / 数量（XGBoost）	训练轮数 ↓；隐藏层层数 ↓；神经元 ↓；决策树最大深度 ↓	轮数 100→50；层 3→2；深度 9→6
欠拟合	① 加训练轮数　② 加层数　③ 加每层神经元　④ 加树的数量 / 深度	训练轮数 ↑；隐藏层层数 ↑；神经元 ↑；决策树数量 ↑	轮数 50→150；神经元 32→64；树 100→300
局部最优	① 加大学习率　② 换优化器（平台没有，跳过）	学习率 ↑	0.0001→0.001
震荡	① 降低学习率　② 加大批次大小	学习率 ↓；批次大小 ↑	0.01→0.001；批 16→64
健康但 RMSE 还想更低	换时间步（24/48/96 之间）；换模型对比	时间步长度；顶部模型按钮	XGBoost 步 24 → LSTM 步 96