机器学习工业界出现两种截然不同声音，一派是「调参」（优先实践，后理论），另一派是「理论」（优先理论，后实践）
其实都不对，老实说目前见到的「调参」就提升个 2-3 % （超参数），对商业很多问题不是特别重要，倒不如换个新算法或者弄个特征工程（增加新维度）。「理论」在工业界运用更加不靠谱，主要是理论与实际不贴切，比如:
- 缺失值怎么处理
- 多分类问题怎么做
- 不平衡样本怎么分析
- 数据量不多怎么办
- ....
好的做法是优先使用现有成熟方法，以最快速度跑通模型得出结果，比如：
- 先抽样几万数据建模，准确率 70%，那么可以估计增加到百万级，模型准确率会变得更好
- 做好维度构建，好的维度 >> 算法 >> 调参
- 算法不要局限于机器学习，就提升那几个百分点，尝试别的类型方法 —— 网络分析、ODE 方程等其他数学方法
