作者總結了機器學習七種易犯的錯誤：1.想當然用預設Loss；2.非線性情況下用線性模型；3.忘記Outlier；4.樣本少時用High Viriance模型；5.不做標準化就用L1/L2等正則；6.不考慮線性相關直接用線性模型；7.LR模型中用引數絕對值判斷feature重要性。

1. 機器學習本質上是在解一個優化問題，優化目標定義錯誤（或者 loss function 定義錯了），就全錯了！

2. 儘量通過特徵處理和變換，把非線性情況用線性模型求解：因為線性模型具有訓練演算法簡單可處理海量資料等特性；

3. 很多情況下，如果不把 Outlier 資料提前過濾，就要採用可處理 Outlier 的模型（或者在模型訓練過程中加入處理 Outlier 資料的演算法）；

5. 特徵標準化是很重要的預處理：多維度特徵組合在一起時，特徵具有同一尺度的可比性很重要；

6. 絕大多數情況下，“線性相關” 很少存在（比如廣告點選率和飄紅長度）但是：可以一個大的 "非線性相關問題" 轉化成 N 個小的 "線性相關問題"；

7. LR 訓練出來的特徵權重和特徵的重要性很相關，但並非完全代表特徵的重要性（有很多情況需要特定考慮）