多算法的淘汰

现在也接触了好几个算法，其中还有一些居民且复杂的算法。

比较复杂的算法相对参数也比较多，包括不同的参数计算的结构有较大的差异。未来想必会接触更多的算法。

我这么多算法，哪些算法才是我需要的，或者是更契合我数据呢？

其实方法是有的，就是根据计算结果与实际进行差异计算。

那我现在手头也有指定的数据，算法的结果的数据格式也是固定的，对于算法的结果的评价也是固定的。那我可以设计这么一套机制，让不同的散户参与计算并计算出不同的计算结果。

根据计算结果，再反推出不同的算法或者统一算法不同参数，谁是更优秀的。

先指定需要训练的数据集，然后算法进行注册和登记。算法再将自己能够覆盖的参数范围提供出来，并进行循环式计算。将算法自身所有参数的结果记录下来之后，取出最优参数结果。

数据集由于是事先准备的，可以说这一部分永远需要人工操作，也就是说，可以提供同的数据集。数据机的选择信息以及初步判断可以全部交给人力来完成。我只需要将处理好的数据，请或者以前取好利的数据及提交的算法库当中。算法库在根据当前的算法持续计算，找出最优解。

以上反复循环之后计算出的模型就可以在一开始指定数据集上进行使用，用于预测概率及下一段时间的数值。

在运行一段时间之后，原始的数据集也会因为实际数据的扩充而重新成为新的数据集。新的数据已经可以从新投入到应用的算法当中，从而产生新的最优算法。