一、维度灾难
维度灾难指的是当样本维度过高时，发生过拟合，验证集结果变差。
样本维度越高，能够提供的信息就越多，但是其中有可能会提供一些无关的信息。
而且随着维度越高，样本集在高维空间就会出现稀疏性，简单来说，就是需要更多的样本来填补这个空间。
上图所示，纬度高确实能带来一定提升，但是如果过高，就会发生维度灾难。
解决维度灾难的方法是降维或者采用一些泛化能力强的分类器，如线性分类器等。
二、超参数寻优
如何在超参数中寻找一组合适的组合，改善模型性能是每位炼丹师的目标。
我之前一直在思考使用正交实验、极差分析的方法来进行寻优，因为这个思路比较简单，肯定会有人做，结果我发现了这篇博客：
(40条消息) 机器学习调参——通过正交实验进行机器学习超参数调整的尝试_CubDonkey的博客-CSDN博客
相交于网格搜索、随机搜索要强，但是这种方法仍然要使用较多的实验组合，比较浪费时间。
比较受推崇的是贝叶斯优化：
贝叶斯优化/Bayesian Optimization - 知乎 (zhihu.com)