nealot

@letv
@66beta
男方一边有老人生病了在疗养，女方一边不是独生子女，哥哥一家在怀孕准备生产的阶段，对照顾小孩的需求更强

@raycool 总觉得家里有个老人加保姆才比较靠谱

我比较好奇，真的有程序员 996 工作的同时，家里安排保姆打理剩下的所有事情吗

@xyd1205148795 正解，具体操作如下

首先选择一组 x,y，建立散点图
然后右键图表，选择数据，然后把所有的系列都删掉，这时会得到一张空图表
然后逐个添加系列，每个系列手动指定标题、x 轴范围、y 轴范围

这类图表，看起来是没法一键生成的

@20015jjw
正规的机架式服务器也并非全是优点

缺点 1 是噪音大，不适合放在办公室之类的环境下
缺点 2 是性价比低，双路 16 核报价应该有 4-5 万，但是至强主频低 (能效高)，实际上性能可能和一颗 5950X 差不多

@jim9606 应该不是所有主板厂商都支持 ECC，比如 MSI 这款就不支持

https://cn.msi.com/Motherboard/MEG-B550-UNIFY/Specification

@20015jjw 3990X 和 3970X 的 TDP 同样是 280W，但是核数多了一倍，所以牺牲了主频 (单核性能)

一般的评测数据显示，3990X 大概是 3970X 的 1.5 倍性能，然而其京东自营售价高达 29999

同时要不缩水地，支持 3 块显卡和 3 条 NVME 硬盘，主板和电源的规格还需要增加，所以结论仍然不变

@VoidChen 感觉这是个比较好的解法，值得一试

打个比方，假设这个图像演化算法是用来生成美女的脸型的，第一个训练子集生成出来的是赵薇的脸，第二个训练子集输出的是刘亦菲的脸……

最后把这些明星脸平均一下，就是 “平均美人脸”，这个很可能就是最终需要的模型

(那么为什么不把训练集合在一起训练呢？我也不知道为什么，总之实验效果不好，毕竟这不是简单的加减算术题)

@shm7 验证集可以用来搜索最佳的模型生成参数。如果一定要套用到遗传算法上，我们是要让种群数量减小，演化次数减少，以便不进行充分的演化？这感觉和遗传算法的本意是相违背的

@Issacx 现在的核心问题，其实和具体业务是无关的。我来具体解释下矛盾在哪里

传统的机器学习任务，比如用决策树做分类，如果我们在 trainset 上建立一颗尽量精细的决策树 (model)，然后把这个 model 用于 testset，通常效果是不太好的，因为有过拟合，这是个典型的错误

因为是典型的问题，所以也有典型的解法，对于决策树分类问题，解法是这样的:

我们把 trainset 分为两个子集: trainset_1_of_2, trainset_2_of_2

接下来的重点是，我们不是直接构建一个最佳的 model，而是构建一个最佳的 model 的生成参数 (比如 max_depth)

```C++
int best_depth = -1;
int best_score = -1;

for (int max_depth = 1; max_depth < 10; max_depth++) {
tree1 = construct(trainset_1_of_2, max_depth);
score1 = run(trainset_2_of_2, tree1);
tree2 = construct(trainset_2_of_2, max_depth);
score2 = run(trainset_1_of_2, tree2);
score = (score1 + score2) / 2;

if (score > best_score) {
best_score = score;
best_depth = max_depth;
}
}
```

这样我们就得到了 best_depth，然后在整个 trainset 上用这个参数来构建决策树

```C++
tree = construct(trainset, best_depth);
```

接下来这颗树在 testset 上效果就比较好了

但是如果我们搜索的，不是模型生成参数，而是模型本身 (使用遗传算法)，这套方法还成立吗？

PS: 目前使用的是类似图像演化的遗传算法，得到是一个类似 BMP 的图像