主题
特殊情况与排错
从已经看到的现象进入。文章按排查顺序组织,并给出可复核的修复动作与通过标准。
文章列表
- 训练集表现很好,测试集表现很差怎么办?
先检查评估口径与切分,再区分过拟合、样本差异和训练流程错误。
- 训练集和测试集表现都很差怎么办?
借助简单基线、小样本拟合与残差诊断,定位错误、欠拟合或信息不足。
- 模型损失函数出现 NaN 或无穷大怎么办?
定位第一个非有限值,按输入、前向、损失、梯度和参数更新逐步修复。
- 优化算法无法收敛怎么办?
结合终止状态、残差和迭代轨迹,诊断优化停滞、振荡和局部解。
- 优化问题不存在可行解怎么办?
检查约束、边界和数据,借助冲突集或松弛变量找到矛盾来源。
- 多次运行得到不同结果怎么办?
分辨随机波动、近似并列的解和数值非确定性,并检验结论是否稳定。
- TOPSIS 权重敏感怎么办?
排除指标方向和重复计权问题,定位权重敏感来源,扫描合理权重区间并报告排名反转。
- 标准化时出现除以零怎么办?
识别训练数据中的零方差、零极差和有效样本不足,并保持转换一致。
- 时间序列不满足平稳性要求怎么办?
区分趋势、季节性、方差变化与结构突变,在滚动验证中比较处理方案。
- 灰色预测模型效果很差怎么办?
核对 GM(1,1) 的时间顺序、还原与趋势假设,用短期回测判断是否应该更换模型。
- 随机森林的特征重要性可能误导分析吗?
区分不纯度重要性、置换重要性和因果含义,并检查相关特征和泄漏。
- 如何检查时间序列中的未来信息泄漏?
以预测起点和实际可得时间为准核对特征、预处理与多步验证。
- 如何发现模型中的符号、量纲和单位错误?
从符号表、量纲分析、单步手算和换单位测试追踪建模公式错误。
- 模型结果明显违背常识怎么办?
把直觉转成可复核的边界、守恒和方向性检查,定位数据、实现或假设问题。
- 模型的敏感性分析和稳健性分析如何进行?
量化输入变化对输出的影响,并评估结论和方案能否承受合理扰动。
- 代码能够运行,但结果无法复现怎么办?
从输入版本到报告输出逐步比对,并建立可以从干净目录重跑的计算流程。