1.样本不均衡问题
1）增少：
SMOTE算法：简单来说smote算法的思想是合成新的少数类样本，得到少数样本A的最近邻中随机样本B，取AB连线的随机点合成
下采样
2）减多
随机欠抽样方法：上采样
3）增加样本惩罚项权重
2.过拟合问题
1)降低模型复杂度
2)增大数据集
3）数据清洗
4)正则化项（即增加惩罚度，L0(非零参数个数)，L1（元素绝对值之和）,L2范数（各个参数平方和的开方））
为什么L0和L1都可以实现稀疏，但常用的为L1？L1范数是L0范数的最优凸近似，而且它比L0范数要容易优化求解
5）Dropout层进行随机丢弃
6）早停
3.什么叫稀疏？参数稀疏有什么好处？
稀疏解即只在某（几）个轴上有实数，另外的轴为0 ，
1）例如模型参数中很多w=0，那么模型变得简单，不易过拟合
2）特征自动选择，会学习地去掉这些没有信息的特征，也就是把这些特征对应的权重置为0
3）可解释性，非0参数越少，公式表达能力越强。