数据和特征工程决定了机器学习的上限，模型和算法只是逼近这个上限。

深度学习数据准备最重要，数据样本越多模型会自寻到特征工程；机器学习特征工程最重要，依靠人工归纳的特征来提高模型预测准确度。

对于产品经理来说，特征工程（尤其是特征）选择是整个模型构建的最重要阶段，其他的事情可以交给算法同学。

最重要的是特征工程。 因为特征工程考验了产品经理对自己业务以及业务目标的理解程度，比方说根据自身对业务的理解创建出超级特征值，可以对模型的性能有极大的提升，减少很多工作内容。

模型验证部分的配图没太看懂，「训练精度」和「泛化精度」两条曲线是否可以这样理解：训练精度——模型越复杂，对「样本数据」的预测越准（模型性能不断递增）；「泛化精度」——但是在对「未知数据」的预测上，训练精度过高的模型，预测准确性反而会回落，称之为「过拟合」或者「泛化能力弱」。

特征构建最重要，也是我最喜欢的部分。

老师问一个问题，为什么模型融合不要放到模型验证后面去做呢？

海丰老师，这种模型遇到不可预测，怎么建立呢。

根据场景选择特征很重要，希望之后多出一些案例~