SVM参数优化实战：十二种智能算法对比与故障诊断应用

做故障诊断这一块的人，十有八九都绕不开支持向量机。SVM在小样本、非线性、高维模式识别上确实能打，但这些优势能不能发挥出来，几乎全看两个参数：惩罚系数C和核函数参数gamma。参数选得好，分类器稳得一批；参数选不好，准确率直接给你表演自由落体。尤其是2024年这一波设备故障诊断项目，数据越来越复杂，工况变化又多，靠网格搜索硬跑实在有点费力气。所以很多同行都把目光转向智能优化算法，用群智能寻优的方式自动找SVM的最佳参数组合。

这篇文章就围绕我自己做的一组对比实验展开：用十二种不同的优化算法去调SVM参数，全部跑在同一个故障诊断任务上，最后横向对比它们的收敛速度、分类精度、稳定性。适合正在做设备故障诊断、学术实验、或者想给SVM换一套调参思路的同行参考，内容偏向工程落地，理论部分只讲用得上的那些。如果你正准备把智能优化算法写进论文或者工程项目里，这篇的内容应该对你有帮助。

1. 项目概述与问题拆解

1.1 为什么故障诊断依然离不开SVM

先说个现实情况。深度学习这几年几乎占领了故障诊断领域，动不动就是一堆数据扔进卷积神经网络。但很多一线工程师和研究人员手里并没有那么多故障样本。设备大多数时间都是正常的，真正出故障的瞬间少，故障样本能攒几十条就算不错。这种小样本场景下，深度学习很难训出稳定模型，而SVM恰恰是专为小样本设计的。再加上支持向量机本身有扎实的统计学习理论做底子，泛化能力强，在高维特征下不容易过拟合，所以在轴承故障诊断、齿轮箱故障识别、电机异常检测这类任务里，SVM依然是高频出现的基分类器。

另一个原因是可解释性。故障诊断是要给维修决策做支撑的，你总不能跟现场师傅说“神经网络说坏了就坏了”，他们得知道你是根据什么特征判断的。SVM输出的是决策函数，能回溯支持向量，特征维度的贡献度也能量化，解释起来要顺畅得多。所以即便在深度学习大行其道的2024年，SVM在故障诊断项目中仍有不可替代的位置。

1.2 SVM参数优化的本质与难点

SVM用RBF核函数时，核心参数就两个：C和gamma。C控制误分类惩罚力度，C越大，模型越不愿意放过训练集里的错误，但容易过拟合；C太小，模型太松弛，欠拟合。gamma决定RBF核的作用半径，gamma越大，每个支持向量的影响范围越小，决策边界越复杂；gamma越小，边界越平滑，但太小了所有样本几乎被当成一类处理。

两个参数互相牵制，一旦数据是多分类、多工况，最优参数就没有直观规律可循了。网格搜索可以解决一部分问题，但在参数范围内做穷举，计算代价实在太高。即使把搜索步长拉稀疏，动辄几百上千次训练跑下来，每次还要做K折交叉验证，时间上完全失控。随机搜索快一些，但本质上是碰运气，稳定性差，跑十次可能出十种结果。

这就引出了智能优化算法的价值。参数优化本质上是一个连续型函数寻优问题，目标函数是“SVM在验证集上的分类准确率”，自变量就是(C, gamma)组合。智能优化算法不依赖梯度信息，不需要目标函数可导，只需要能评估每次参数组合的好坏，然后根据评估结果迭代搜索。SVM的评估过程虽然耗时，但每次训练都在秒级或者毫秒级，优化算法完全承担得起。

1.3 项目整体技术路线

这次实验的整体流程是这样的：先准备一个标准的轴承故障诊断数据集，做特征提取，划分训练集和测试集；然后在训练集上，用十二种算法分别搜索SVM的最优参数组合；每种算法迭代固定次数，记录每一代的最佳适应度；最后用最优参数重新训练SVM，在独立测试集上评估准确率、F1值、训练耗时等指标，横向对比。

这里有个容易踩的坑：参数优化必须在训练集内部通过交叉验证完成，测试集从头到尾都不能碰。很多新手把训练集和测试集放在一起做参数寻优，结果测试集信息提前泄漏到模型中，指标虚高，一到实际工况立刻现原形。我这次实验对数据划分管得很严，所有优化算法都在同一份训练数据上搜索参数，测试集只用于最终评估，保证横向对比公平。

2. 十二种优化算法的选型解析

2.1 传统参数搜索三件套

我选了三种传统搜索方法作为对比基准，它们不是智能优化算法，但它们是评价智能算法效果的标尺。

网格搜索是最原始的思路。把C和gamma分别划分成若干个候选值，通常是对数刻度，比如C取[0.1, 1, 10, 100, 1000]，gamma取[0.001, 0.01, 0.1, 1, 10]，然后两两组合，全部训练一遍，选出交叉验证准确率最高的组合。网格搜索的好处是简单直接，结果可复现；坏处是计算量随维度指数增长。SVM参数只有两个，网格搜索勉强能跑，一旦你要是顺手把核函数类型、epsilon等参数也算进去，组合数直接爆炸。

随机搜索和网格搜索的区别在于，它不再穷举组合，而是从预设的分布中随机抽取固定数量的参数组合。简单说就是“撒点采样”，抽到好的算运气好，抽到差的就拉倒。随机搜索的计算量和网格搜索同阶，但覆盖面更随机。有意思的是，不少研究指出随机搜索在高维空间中比网格搜索更高效，因为真正影响结果的参数往往只有少数几个，随机撒点反而更容易命中好区域。

贝叶斯优化是传统方法里比较聪明的那个。它不再无脑试参数，而是用一个概率代理模型拟合“参数组合到准确率”的函数关系，然后在代理模型上找一个采集函数最大的点，作为下一轮候选参数。每一轮评估完，代理模型更新一次，探索不确定区域和利用已知最优区域之间动态平衡。贝叶斯优化在参数维度不高时效率优于网格和随机搜索，特别适合SVM这种单次评估就要花几秒钟的场景，能在更少的迭代次数内逼近最优参数。

2.2 群体智能优化算法九选

智能优化算法这边，我选了九种有代表性的群智能算法，基本覆盖了进化类、粒子类、模拟类、搜索类几个大流派。

遗传算法是最经典的进化算法。它把(C, gamma)编码成染色体，通过选择、交叉、变异三个算子反复迭代。遗传算法最大的特点是全局搜索能力强，不会轻易陷入局部最优，因为种群中始终保持着多样性。缺点是收敛速度偏慢，尤其到后期，整个种群围着最优解附近打转，提升越来越费力。在SVM参数优化中，遗传算法的表现稳定，属于那种“不一定最快但一定不会太差”的类型。

粒子群算法是我个人比较偏爱的一种。每个粒子代表一组(C, gamma)参数，粒子的飞行方向由个体最优位置和种群最优位置共同决定。因为有个体学习和社会学习的机制，粒子群算法前期收敛速度非常快，经常在几十次迭代内就找到很不错的参数组合。不过粒子群有个经典问题，就是容易过早聚集到局部最优，后劲不足。解决办法是调大惯性权重，或者加入变异策略，后续实验里我也会提到这个坑。

差分进化算法和遗传算法属于近亲，但它用差分向量来引导变异，结构更简单，参数更少，鲁棒性反而更好。差分进化的每个个体都向种群中其他个体的差分化方向进化，保持了较好的多样性。在连续参数寻优问题上，差分进化往往比遗传算法表现更稳，尤其当目标函数存在大量局部极值时，差分进化的逃逸能力比较出色。

模拟退火算法则走的是另一条路线。它的灵感来自金属退火过程，以一定的概率接收比当前解更差的解，而且这个概率随着迭代推进逐渐降低。这种“允许暂时变差”的策略，让模拟退火有能力跳出局部最优，在开始阶段大胆探索，后期慢慢收敛到优质区域。缺点是单点搜索，没有种群协作，前期找到好区域的概率不如群智能算法高。

蚁群算法本质上是为离散组合优化设计的，用在连续参数优化上需要做网格离散化处理。我把参数空间划分成若干网格节点，让蚂蚁在节点上释放信息素，引导搜索方向。蚁群算法的优势是正反馈机制，好的参数组合附近信息素会越来越浓；劣势是离散化会导致精度受限，网格要足够细才行，而这又增加了计算成本。在SVM参数优化场景下，蚁群算法的表现中规中矩。

人工蜂群算法模拟蜜蜂采蜜行为，分成雇佣蜂、观察蜂和侦察蜂三类角色。雇佣蜂在已知食物源附近做邻域搜索，观察蜂根据信息素选择优质食物源，侦察蜂负责随机探索新区域。这种分工机制让算法既有局部开采能力，又有全局探索能力。人工蜂群在SVM参数寻优上表现不错，特别是对非凸目标函数的适应能力比较好。

灰狼优化算法模拟狼群捕猎行为，根据适应度把种群分成头狼、狼二等不同等级，其他个体围绕最优个体进行位置更新。灰狼算法的特点是机制简单、需要调节的参数少，收敛速度快。但和粒子群类似，前期收敛快也导致后期容易陷入局部最优，需要配合动态衰减的收敛因子来缓解。

鲸鱼优化算法模拟座头鲸的泡泡网捕食策略，包含包围猎物、随机搜索、气泡攻击三种行为模式。它的位置更新公式里有个螺旋路径，可以同时兼顾探索和开发。在实际实验里，鲸鱼算法的收敛曲线非常漂亮，前期陡降，后期平滑逼近最优值，在SVM参数优化这类中低维度问题上表现值得期待。

麻雀搜索算法算是个相对较新的成员，模拟麻雀群体的觅食和反捕食行为。种群分成发现者、加入者和侦察者三种角色，发现者负责大范围搜索，加入者跟随发现者缩小包围圈，侦察者则负责警戒，一旦发现危险就向安全区域转移。这种机制让麻雀算法在探索和收敛速度之间取得不错平衡，近两年在很多工程优化问题上的表现都很亮眼。

2.3 算法适用场景对照表

为了让你看的时候有个直观概念，我把十二种算法的特点整理成一张简表。这张表不追求面面俱到，只抓核心区别。

这张表是给你初选算法用的。实际效果还得看具体数据和场景来定，比如数据规模多大、特征维度多高、噪声水平如何，都会影响排名。

3. 实验设计与核心实现

3.1 数据准备与特征提取

实验用到的是一个公开的滚动轴承故障诊断数据集，里面包含正常状态、内圈故障、外圈故障、滚动体故障四类数据，每种故障又有几种不同损伤尺寸。振动信号采样频率是12kHz，每段样本截取2048个点。这个数据集的难点在于不同故障类型之间存在特征重叠，单纯用原始波形直接扔进SVM效果很一般，必须做特征工程。

我提取的特征主要分三块。第一块是时域统计特征，包括均方根值、峰值因子、峭度、偏度、波形因子、脉冲因子、裕度因子。这些特征能反映振动信号的总体能量水平和冲击特性，故障导致的周期性冲击会显著改变峭度和峰值因子。第二块是频域特征，对信号做傅里叶变换后提取重心频率、均方频率、频率方差等参数。故障信号的特征频率会在频域上形成明显的谱峰分布。第三块是时频特征，用经验模态分解把信号分解成若干本征模态函数，再取前几个分量矩阵的奇异值作为特征。

最终每个样本生成一个23维的特征向量。这里有个细节：特征提取之后最好做标准化，不然峭度这种数值很大的特征会压过其他特征，导致SVM的惩罚参数C完全被大数值特征主导。我用的是z-score标准化，在训练集上计算均值和标准差，然后用同一套参数标准化测试集。注意必须在训练集上算统计量，如果把测试集也一并算进去，就等于把测试集信息引入了训练过程。

3.2 适应度函数与交叉验证设计

SVM参数优化的核心是适应度函数怎么设计。适应度函数就是优化算法的“指挥棒”，它告诉算法哪种参数组合更好。我采用的适应度是五折交叉验证平均准确率。过程是这样：把训练集随机分成五份，每轮取其中四份训练SVM、一份验证，轮转五次，最后把五次验证准确率取平均，这个平均值就是当前参数的适应度值。

为什么不用一个固定验证集直接评估呢？一方面是因为固定验证集有随机性，某一批次的数据恰好容易分或者恰好难分，评估结果就不稳定；另一方面，SVM参数优化容易过拟合到固定验证集上，模型在训练集和验证集上都好看，但真正测试时就不行了。五折交叉验证能让适应度评估更稳健，虽然要多花五倍时间，但换来的可靠性是值得的。

对于多分类问题，我在SVM内部采用“一对多”策略，也就是为每个类别训练一个二分类器，预测时选置信度最大的那个。一对多策略计算开销比“一对一”小，而且在故障类别数不多时效果足够好。优化算法只负责搜索C和gamma的取值，不干预SVM的分类策略，这样对比公平。

3.3 核心代码与参数配置

这里放一段优化框架的简化代码，以麻雀搜索算法为例，方便你看清楚整个流程。实际实验时我把十二种算法都封装成同一个接口，只是内部更新规则不一样。

import numpy as np from sklearn.svm import SVC from sklearn.model_selection import cross_val_score from sklearn.preprocessing import StandardScaler # 参数范围定义 C_range = [0.01, 1000] # log10空间搜索 gamma_range = [0.0001, 10] # log10空间搜索 # 适应度函数：五折交叉验证平均准确率 def fitness_func(position): C = 10 ** position[0] # 线性空间 position[0] 映射到 log10(C) gamma = 10 ** position[1] clf = SVC(C=C, gamma=gamma, kernel='rbf', decision_function_shape='ovr') scores = cross_val_score(clf, X_train_scaled, y_train, cv=5, scoring='accuracy') return scores.mean() # 麻雀搜索算法核心更新逻辑（简化版） def sparrow_search(pop_size=20, max_iter=30, dim=2, lb=0, ub=1): # 初始化种群，位置在[0,1]之间 pop = np.random.rand(pop_size, dim) # 这里不做完整麻雀算法实现，只展示搜索主循环 best_fitness = 0 best_position = None for t in range(max_iter): for idx in range(pop_size): # 映射到参数空间并评估适应度 candidate = pop[idx].copy() if idx == 0: # 发现者角色更新 candidate = pop[idx] + np.random.rand(dim) * (ub - lb) / t else: # 加入者角色，向当前最优位置靠拢 if idx % 2 == 0: candidate = pop[idx] + np.random.rand(dim) * (best_position - pop[idx]) else: # 侦察者的警戒更新 candidate = pop[idx] + 0.1 * np.random.randn(dim) # 越界处理 candidate = np.clip(candidate, lb, ub) f = fitness_func(candidate) if f > best_fitness: best_fitness = f best_position = candidate.copy() # 把最优位置还原为参数 C_opt = 10 ** best_position[0] gamma_opt = 10 ** best_position[1] return C_opt, gamma_opt, best_fitness

那些复杂算法的完整实现在各种开源库里都有现成版本，实际项目里不需要从零造轮子。重点在于两点：一是统一适应度函数和数据入口，否则算法之间没法横向比较；二是统一迭代次数和种群规模，保证对比的实验条件一致。这次实验所有算法统一种群规模20、迭代次数30，也就是每种算法最多评估600组参数。贝叶斯优化的评估次数我也限制在600次以内，保证不是在拿计算量欺负人。

3.4 参数边界与归一化处理的细节

参数边界设定是个看起来简单但影响巨大的环节。C的范围我设置为[0.01, 1000]，gamma的范围设置为[0.0001, 10]，全部在log10空间搜索。为什么用log10空间而不是线性空间呢？因为SVM参数不同数量级带来的效果差异是巨大的。C从10变成100可能影响不大，但从100变成1000可能就会让决策边界发生质变；线性搜索步长太小则效率低，太大则直接错过最优区域。对数量级做搜索，等于把指数变化压缩成线性变化，效率高得多。

所有群智能算法在内部都是先在[0,1]范围内生成位置值，再映射到log10参数范围。这么做的好处是算法内部不感知具体参数范围，只需在边界约束下搜索，通用性更强。伪代码里的C = 10 ** position[0]就是这么个映射。越界处理用clip裁剪到边界。很多人在调参数时不在意这类细节，直接把真实参数范围交给算法去跑，结果算法收敛到边界附近时没法正常处理，效果大打折扣。

4. 结果对比与深度分析

4.1 十二种算法的优化效果汇总

实验结束后，我统计了每种算法找到的最优C、gamma以及对应的五折交叉验证准确率，再拿这组参数去测试集上跑出真实准确率。为了排除单次运行的偶然性，每种算法独立运行五次，取平均值作为最终结果。汇总表格如下：

从结果看，十二种算法的CV准确率都在97.5%~98.3%之间，差距不算大。这说明在23维特征这个任务上，SVM参数对准确率的影响相当有限，找到合理的参数组合并不难，难的是找到真正最优的组合。个体差距最大的其实是收敛代数：麻雀搜索大概10代左右就收敛到最优值附近，灰狼和粒子群也很快；遗传算法和模拟退火则要慢一些，需要接近20代甚至更多。

4.2 为什么算法效果各有千秋

先看收敛速度的差异。粒子群、灰狼优化这类算法收敛快，根本原因是它们有“向种群中最优个体靠拢”的机制，一旦某个个体发现了优质区域，整个群体会被快速吸引过去。这在大范围搜索时是优势，但到了后期反而变成劣势：所有粒子挤在一起，种群多样性下降，很难继续在小邻域内做精细搜索。所以粒子群和灰狼的结果往往很好但仍不是最优。

差分进化和人工蜂群的优势体现在精细搜索上。它们的变异机制天然保持了一定程度的随机扰动，能让个体在最优解附近继续震荡搜索，不会完全静止下来。这解释了为什么差分进化的CV准确率能到98.3%，在十二种算法中是第一梯队。

贝叶斯优化只用了约160次评估就追平了群智能算法跑满600次的结果，说明在低维连续优化问题上，代理模型的效率确实高。贝叶斯优化的短板在于它严重依赖代理模型的拟合精度，如果目标函数变化过于剧烈，代理模型跟不上，效率就会大打折扣。而SVM参数寻优的目标函数通常比较平滑，恰好在贝叶斯优化擅长的领域。

网格搜索这次的表现不差，因为参数范围才两维、搜索步长够细。但如果把维度提高到3到5个参数，或者换成多核组合，网格搜索的计算量立刻变得不可接受。这也是为什么实践中不推荐把它作为大规模参数搜索方案的核心工具。

4.3 工程视角下的实用性评估

学术上看准确率高低，工程上你要看的是综合使用的成本收益。我用一个综合评分来评价每种算法：把准确率、收敛速度、实现难度、稳定性四个维度各按25%权重打分。准确率越高加分越多，收敛代数越少加分越多，参数越少、越容易实现加分越多，五轮运行结果方差越小加分越多。

综合排下来，麻雀搜索、差分进化、鲸鱼优化排在前三。麻雀搜索是胜在时效和精度的平衡，差分进化胜在稳定和鲁棒，鲸鱼优化则是在探索能力上表现突出。贝叶斯优化虽然没有进入前三，但在需要每次训练都耗时的场景下，它的高效评估优势很大，也很值得考虑。粒子群算法的综合分排在中间位置，原因主要是容易早熟收敛，五轮运行的标准差偏大，稳定性的确让人不够放心。

这不是说粒子群算法本身不行，而是提醒你：为特定问题选算法时，除了看文献中的泛泛结论，还要结合自己的数据规模、训练耗时和调参精力来做取舍。

5. 常见问题与排查技巧实录

5.1 数据泄漏问题

做优化算法对比实验时，最容易被忽视的就是数据泄漏。常见操作错误是：先在整个数据集上做了标准化，再划分训练集和测试集，最后才用优化算法找SVM参数。表面看流程没问题，但标准化时已经把测试集的均值、方差信息融进去了，模型在测试集上的表现虚高。我在第一次做这个实验的时候就犯过这个错误，测试集准确率一度达到99%，后来把顺序调整成为训练集标准化→测试集套用同一套参数，准确率才落到97%左右。保护测试集完整性是第一原则。

另一种数据泄漏来自特征选择。如果你先在整个数据集上用某种特征筛选方法选了一波特征，再划分训练测试集，同样等于把测试集信息泄露给了模型。正确的做法是：特征筛选过程也必须在训练集内部完成，或者直接基于实验设计明确特征集，不在整个数据集上做筛选。

5.2 小样本与类别不平衡

故障诊断数据天然存在类别不平衡问题。正常样本占了绝大多数，故障样本数量稀少，尤其早期微弱故障，可能只有几十个样本。这种数据会让SVM偏向多数类，导致故障类容易被误判成正常类。处理方式是在适应度函数里用加权准确率或者调和平均F1值代替普通准确率，让少数类的错误被高权重惩罚，模型就能学会重视故障样本。

我在实验过程中尝试过把适应度函数从“五折CV准确率”改成“五折CV宏平均F1值”。两种方案得到的最优参数并不相同，F1值作为适应度找到的参数，在测试集上的各类别F1值更均衡，但整体准确率会略低。所以适应度函数的选择本质上是在“整体正确率”和“故障识别敏感性”之间做权衡。工况要求你少漏报故障，那就要用F1值；要求整体准确率高，用准确率就行。

5.3 收敛不稳定与早熟

粒子群、灰狼这类算法，一不留神就会在迭代早期冲进局部最优区域，之后整代整代原地踏步。我遇到最典型的情况是：种群位置分布不够均匀，初始就偏向某个区域，结果最优解在别处，算法根本发现不了。解决办法有几个：

第一，增加种群的初始多样性，用拉丁超立方采样代替随机均匀采样生成初始种群，让初始位置尽可能均匀覆盖整个参数空间；第二，引入变异机制，比如粒子群中随机让部分粒子重新初始化；第三，调整探索与利用的权重，粒子群的惯性权重从0.9线性衰减到0.4是常用做法。

还有一种情况是收敛速度过快导致“假收敛”。算法只迭代了三四代就已经收敛，看着是好事，实则说明搜索范围太窄，早早掉进了一个局部极值。我在麻雀搜索的实验中就遇到过：头几代适应度提升很快，后面二十几代完全不动，最终结果却不如差分进化跑出来的。后来我把发现者的比例调高，增加全局搜索力度，情况才改善。

5.4 参数范围设置的经验技巧

参数范围的上下界直接决定算法搜索空间的大小。范围太窄，最优参数可能直接不在范围内，结果自然很差；范围太宽，搜索效率急剧下降，600次评估几乎等于大海捞针。我的经验是先跑一次粗糙的网格搜索或者随机搜索，大致摸清最优参数的量级，再把智能算法的搜索范围在最优值附近上下各放宽一个数量级。这种“先粗后细”的策略能有效提升智能算法的命中率。

在log10空间搜索时，较小值取0.0001、较大值取1000看起来跨度很大，但实际算法运行起来，大部分时间都在价值高的中间区域徘徊，边界很少触及。如果你发现某次运行最优参数正好贴在下边界上，大概率是范围设置偏了，需要重新调整。这时候别急着加迭代次数，先改参数范围再来一轮。

6. 项目扩展与经验沉淀

6.1 从SVM到核极限学习机

做完这一轮对比实验，我最大的感受是SVM参数优化的研究在2024年已经相当成熟，单纯追求“用某种新算法调SVM”的边际收益在降低。真正的提升空间在于换一个更高效的基分类器。核极限学习机是SVM的一个有力替代品，它同样使用核函数，但不需要迭代训练，直接求解最小二乘问题，训练速度比SVM快两到三个数量级。用优化算法去调核极限学习机的核参数和正则化系数，整体迭代过程会快得多，可以让优化算法在同样的时间内多跑几代，效果自然更好。

6.2 多故障类型与高维特征组合

这次实验用的是四分类轴承故障，特征维度23维。如果扩展到多工况、多故障模式，比如同时区分磨损程度、复合故障、不同转速下的故障状态，数据分布会更加复杂，特征维度可能上升到50维以上。这时候SVM的核函数选择和参数优化目标都要重新考虑。我建议在特征工程阶段先做维度压缩，比如主成分分析，再进入SVM训练流程。高维特征下，C参数可能需要更大的搜索上限，gamma参数的敏感性也会变化，需要重新评估搜索范围。

6.3 我的一点体会

做这类对比实验，最大的教训是：算法名称的“新”不等于效果“好”。十二种算法跑下来，表现最好的不是最新最复杂的，而是最匹配问题特征的。麻雀搜索收敛快，是因为它在探索和开发之间平衡得好；差分进化稳，是因为它的变异机制贴合连续优化。做实验时一定要想清楚你要解决的核心矛盾是什么，再去选算法。如果你追求快速出结果，兼顾精度，麻雀搜索和鲸鱼优化是很好的起点；如果你想要可复现性、稳定性和鲁棒性，差分进化是更稳妥的选择；如果系统不允许大量训练评测，贝叶斯优化几乎是最佳方案。

最后分享一个实操小技巧：无论用哪种优化算法，都要把它的迭代收敛曲线保存下来。这条曲线能帮你判断算法是否真正收敛、搜索是否充分、有没有早熟风险。项目汇报的时候，一条漂亮的收敛曲线往往比最终一个孤零零的准确率数字更有说服力。