Unix的哲学换一些关键词，完全适用于机器学习。
图片发自简书App
原则1: 你无法断定模型会在什么情况下失效。问题经常出现在想不到的地方，所以别急于胡乱找个地方调整参数和模型，除非你已经证实那儿就是瓶颈所在。
原则2:分析。在你没对任务进行分析，特别是没找到关键问题之前，别去调参数或模型。
原则3:复杂的模型在小（方差小）或脏（噪声多）的数据上通常不work，而数据通常小或脏。复杂模型的参数很多。除非你的数据大且净，否则不要用复杂的模型（即使数据大且净，也优先考虑原则2）。
原则4:复杂的模型比简单模型更容易过拟合，难以调试。尽量使用简单的模型配合正确的数据。
原则5:数据压倒一切。如果已经做了正确的数据处理并且把一切组织的井井有条，正确的模型也就不言自明了。机器学习的核心是数据，而不是模型。
原则6:没有原则6。
