如果你正在进行图像分类或手写分类，那么深度学习是适合的。使用深度学习，图像处理任务已经取得了惊人的成果，在下图可以看到每个图层中如何自动创建功能。你还可以观察每层之后有多少功能正在变得更好。8.数据分配和参数调整有效地探索数据总是更好。数据分布可能意味着转型，数据可能跟随高斯函数或其他函数族，在这种情况下，我们可以应用一点变换的算法来得到更好的预测结果。
我们可以做的另一件事是微调算法的参数。即当我们构建随机森林分类器时，我们可以调整要构建的树的数量，选择用于拆分的变量的数量等。同样，当我们构建深度学习算法时，我们可以指定我们需要多少层，需要多少个神经元。在每一层中，我们需要哪种激活功能。如果我们在算法中使用合适的参数类型，调整参数就可以提高模型性能。
结论：提高机器学习模型的性能很困难。以上提高性能的方法都是基于经验。当我们使用集成方法时，需要对算法有全面的了解。诸如随机森林、Xgboost、SVM和神经网络的算法被用于高性能。不知道该算法如何能很好地适应训练数据，是获得更高性能的障碍。所以我们应该始终知道如何根据不同的任务调整算法。当我们进行参数调整时，应该考虑过度拟合。
如何保存训练好的机器学习模型呢？
训练好的机器学习模型说白了也就是一堆参数，想要保存这堆参数的方法有很多种，几乎每一个框架都提供了相应的保存命令，至于具体保存成什么样格式的文件，要视具体情况而定，要考虑写入文件的时间和大小，特别是对于深度神经网络来说，其参数恐怕会是一个令人瞠目结舌的数量。重新载入模型也仅仅是将保存好的模型重新恢复到特定的模型之中，参数按照模型的规则进行保存，恢复回去之后，只需要提供输入，便可以依据之前保存的参数进行输出。
数学模型和机器学习算法有什么区别？
传统数学建模是我们在学校里都学过的建模方法，该方法中，数学家们基于专家经验和对现实世界的理解进行建模。而机器学习建模则是另一种完全不同的建模方式，机器学习算法以一种更加隐蔽的方式来描述一些客观事实，尽管人类并不能够完全理解模型的描述过程，但在大多数情况下，机器学习模型要比人类专家构建的数学模型更加精确。
