怎樣改進乙個演算法？

1樓：學掌門資料分析

我們會在追求快速創新中（又名「快速成名」）經常看到，違反科學方法的原則導致誤導性的創新，即有吸引力的觀點卻沒有經過嚴格的驗證。乙個這樣的場景是，對於乙個給定的任務：提高演算法，產生更好的結果，你可能會有幾個關於潛在的改善想法。

人們通常會產生的乙個明顯衝動是盡快公布這些想法，並要求盡快實施它們。當被問及支援資料，往往是共享的是有限的結果，這是很有可能受到選擇偏差的影響（已知或未知）或乙個誤導性的全域性最小值（由於缺乏各種合適的測試資料）。

資料科學家不讓自己的情緒操控自己的邏輯推理。但是確切的方法來證明你對乙個演算法的改進確實比什麼都不做更好將取決於實際情況，有幾個共同的指導方針：

確保效能比較的測試資料沒有選擇偏差

確保測試資料足夠，以成為各種真實性的資料的代表（有助於避免過擬合）

確保「受控實驗」的原則，即在比較執行的原始演算法和新演算法的表現的時候，效能、測試環境（硬體等）方面必須是完全相同的。

確保結果是可重複的，當接近類似的結果出現的時候

檢查結果是否反映區域性極大值/極小值或全域性極大值/最小值

來實現上述方針的一種常見的方式是通過A/B測試，這裡面兩個版本的演算法是，在隨機分割的兩者之間不停地執行在類似的環境中的相當長的時間和輸入資料。這種方法是特別常見的網路分析方法。

2樓：大煎餅

從神經網路來講，經典訊號分析與神經網路的結合，是一種常見的演算法改進思路。

例如，軟閾值化是訊號降噪演算法的常用步驟。

殘差網路是最近這些年最熱門的基礎網路。

將軟閾值化和殘差網路結合起來，就得到了殘差收縮網路[1][2]，這是一種適合強噪、高冗餘資料的方法。

（面向強噪、高冗餘資料的）殘差收縮網路