四个方面：
1、基于数据改善性能
2、借助算法改善性能
3、用算法调参改善性能
4、借助模型融合改善性能
1、基于数据改善性能
改变你的训练集数据以及问题定义方式。
- 获得更多的数据；
- 数据扩充；
- 清洁数据：可以纠正或删除一些缺失或错误的观测值，或者在合理范围外的离群点，从而提升数据质量；
- 重新界定问题：你能否改变你正试图解决的问题类型？重构数据，如回归，二项或多项分类，时间序列，异常检测，评分，推荐等问题类型。
- 重新缩放数据：归一化和标准化处理可以提升使用加权或距离度量的算法性能。
- 转化数据：使得数据更服从高斯分布，或进行指数变换可能会暴露出数据更多的特征供算法学习。
- 特征选择：使用特征选择和衡量特征重要性的方法，可以创造出数据的新视角，供模型算法探索。
- 特征工程：你能够创造或者增加新的特征？也许有的属性可以分解为多个新的值（比如类别，日期或字符串）或者属性可以聚集起来代表一个事件（如一个计数，二进制标志或统计信息）
2、借助算法改善性能
- 重采样方法：使用一种能够最好地利用现有数据的方法和参数设置。K折交叉验证法，利用其中的一折作为验证集可能是最佳操作。
- 评价指标：选择能够最好地体现问题和专业需求的指标。不要任何问题一上来就看分类准确率。
- 基线性能：通过随机算法或零规则算法（预测均值或众数）来建立一个基线，并以此对所有算法进行排序。
- 从文献中偷师学艺：也许你能从算法类型或传统方法的延伸中获取解决自己问题的灵感。
- 标准参数设置。
3、用算法调参改善性能
调整的策略：充分挖掘性能良好的算法的潜力。
- 诊断：看看损失曲线等；
- 学习文献：评估标准参数性能是调参的良好开端；
4、借助模型融合改善性能
策略：组合多个性能良好的模型预测结果。
- 混合模型预测结果：也许你可以使用同样的或不同的算法来搭建多个模型。对各自的预测结果取均值，或者众数。
- 混合数据呈现方式：也许你使用了不同的问题投射方法，来训练性能良好的的算法，那么这些预测结果可以组合起来。
转载自csdn：https://blog.csdn.net/han_xiaoyang/article/details/53453145