目前模型的问法优化看似进入了一个瓶颈期，在这个阶段模型的同学一直在调数据跑模型，但见效甚微，大家难免会有些感到手足无措，或者沮丧，这种情况在咱们做模型的过程中肯定会经常遇到的。那么如果碰到这种情况了，我们应该如何去进一步实现我们的目标，体现我们作为算法的价值呢？我觉得有几个点可以和大家分享下看法。

首先，定位问题。

对于算法建模来说，我们的目标不是为了找到最好的模型，最先进的模型，而是用模型加数据来构建我们对目标的认识。模型在这个过程中起到的作用是生产工具，是实现手段，是网；而数据在这个过程中是生产原料，是池塘。结合我们的优化问题，我们看到的现象是模型效果不好，那么从咱们数据和模型的角度来看，导致模型不好的原因有哪些？这个是需要我们仔细考量的。我先抛砖引玉，提几个关于效果不好方面的问题：

a)从模型角度来说，我们当前的模型假设是什么？模型表达能力够么？还是太复杂了？模型能够快速迭代么？

b)从模型和数据结合来说，对结果不好的数据，为什么学不好？模型学到的是数据中的哪部分信息？模型是欠拟合还是过拟合？如果是过拟合，那么结合模型来看，我们有什么泛化调优手段，删掉一些数据能解决不？如果是欠拟合，我们如何扩充数据？

c)从数据角度。我们的数据哪些是期望模型可以学到的？什么样的数据，什么规模的数据，模型是可以学习的？我们对于数据的认识是什么？通过模型对数据的认识是什么？数据是均衡的么？数据是干净的么？

其次，排优先次序。

在确定了我们的效果由不同维度的原因造成后，我们该如何做呢？一股脑乱炖？肯定不行，这里面首先要分清楚哪些对我们的目标来说影响范围的是如何的。这个影响范围在界定的时候一定要有一个链路反馈到最终结果上，这个链路我们得清晰。比如我们在预测结果上看到某类badcase，那么这类badcase的规模如何？