什么是模型参数？
 
模型参数是模型内部的配置变量，其值可以根据数据进行估计。
 模型在进行预测时需要它们。它们的值定义了可使用的模型。他们是从数据估计或获悉的。它们通常不由编程者手动设置。他们通常被保存为学习模型的一部分。
 参数是机器学习算法的关键。它们通常由过去的训练数据中总结得出。
 在经典的机器学习文献中，我们可以将模型看作假设，将参数视为对特定数据集的量身打造的假设。
 最优化算法是估计模型参数的有效工具。
 统计：在统计学中，您可以假设一个变量的分布，如高斯分布。高斯分布的两个参数是平均值和标准偏差。这适用于机器学习，其中这些参数可以从数据中估算出来并用作预测模型的一部分。编程：在编程中，您可以将参数传递给函数。在这种情况下，参数是一个函数参数，它可能具有一个值范围之一。在机器学习中，您使用的特定模型是函数，需要参数才能对新数据进行预测。
 模型是否具有固定或可变数量的参数决定了它是否可以被称为“参数”或“非参数”。
 模型参数的一些示例包括：
 神经网络中的权重
 支持向量机中的支持向量
 线性回归或逻辑回归中的系数
 
什么是模型超参数？
 
模型超参数是模型外部的配置，其值无法从数据中估计。
 
它们通常用于帮助估计模型参数。它们通常由人工指定。他们通常可以使用启发式设置。他们经常被调整为给定的预测建模问题。
 我们虽然无法知道给定问题的模型超参数的最佳值，但是我们可以使用经验法则，在其他问题上使用复制值，或通过反复试验来搜索最佳值。
 当机器学习算法针对特定问题进行调整时（例如，使用网格搜索或随机搜索时），那么正在调整模型的超参数或顺序以发现导致最熟练的模型的参数预测。
 “许多模型有不能从数据直接估计的重要参数。例如，在K近邻分类模型中…因为没有可用于计算适当值的分析公式，这种类型的模型参数被称为调整参数。”- 第64-65页，《应用预测模型》，2013
 
如果模型超参数被称为模型参数，会造成很多混淆。克服这种困惑的一个经验法则如下：
 如果必须手动指定模型参数，那么它可能是一个模型超参数。
 模型超参数的一些例子包括：
 训练神经网络的学习速率
 用于支持向量机的C和sigma超参数
 K最近邻的K
 总之，模型参数是根据数据自动估算的。但模型超参数是手动设置的，并且在过程中用于帮助估计模型参数。
 
转自 https://mp.weixin.qq.com/s/pwJ643vPBNc3GguMB4ipYA

1 形式参数：就是在定义函数或过程的时候命名的参数。通俗讲就是一个记号。2 实际参数：就是在执行时，
调用函数或过程时，传递给函数或过程的参数
。通俗讲就是实际值
。3 参数嘛
，就是一个可变量，它随着使用者的不同而发生变化。举个例子，在中学的时候学过sin(x)函数，这里的x就是形式参
数
，当你需要求1的正弦值时，
你会使用sin(1)，这里的1就是实际参数。
4 形参和实参间的关系：
两者是在调用的时候进行结合的
，通常实参会将取值
 
传递给形参，形参去之后进行函数过程运算，然后可能将某些值经过参数或函数符号返回给调用者。希望对你有帮助
 

 
 

 
 
形参就是定义函数时候的参数表，只是定义了参数表的结构和用来引用的名字，并没有具体的内容。
 实参是调用函数传递的具体数据。

在大多数情况下，我们并不需要报表把数据库中所有的数据都呈现出来，而是要根据一些条件来过滤出我们想要的数据，这就是参数查询。FineReport报表中就是使用参数来动态的过滤数据的，实现用户和数据的实时交互。
 
1.  参数设置步骤
 
 
参数定义：设置参数名称，添加参数，根据实际情况的不同添加不同种类的参数。
 
添加控件绑定数据：FineReport参数查询，是在参数面板中添加控件，使控件名字与参数名称一样，通过该控件将其控件值传递给参数，实现动态修改参数值得效果，可为控件绑定数据，直接选择。
 
参数面板样式设定：设置参数界面中控件的位置，参数面板的位置，背景等等。
 
2.  分类
 
按照其使用范围可以分为：模板参数和全局参数；
 
按照其使用方式不同可以分为：模板参数和数据集参数。
 
2.1   按照使用范围分类
 
2.1.1  模板参数
 
模板参数是指在当前模板下创建的参数，在模板>模板参数中定义，只在当前报表中可以使用，且必须与过滤结合才能筛选数据。
 
2.1.2  全局参数
 
全局参数是指在当前工程下创建的参数，在服务器>全局参数中定义，定义方法与模板参数相同，在工程下的所有报表中都可以使用，必须与过滤结合筛选数据。
 
注：定义的全局参数都保存在finedb的fine_conf_entity表中，若全局参数与模板参数相同，则采用模板参数。
 
另：按照使用范围划分的参数都必须与过滤条件结合使用。
 
模板参数与全局参数的区别：
 
模板参数和全局参数的使用方式一致，但是两者的作用域不同。
 
全局参数：当前工程应用下的所有模板都可以使用。
 
模板参数：只有当前模板才可以使用。
 
2.2   按照使用方式分类
 
2.2.1  模板参数
 
同使用范围的参数。
 
2.2.2  数据集参数
 
数据集参数就是指在为模板添加数据集的时候添加的参数，一般是指在SQL查询语句中使用动态的参数对数据进行过滤。数据集参数根据使用范围不同分为：
 
1）模板数据集参数
 
是指在当前模板的模板数据集中添加的参数，在模板>模板数据集>数据库查询中定义，只在当前报表中可以使用。
 
2）服务器数据集参数
 
是指在服务器上数据集中添加的参数，在服务器>服务器数据集>数据库查询中定义，定义方法与数据集参数相同，在工程下的所有报表中都可以使用。
 
注：1）定义的服务器数据集参数都保存在finedb的fine_conf_entity表中，若服务器数据集参数与报表数据集参数相同，则采用报表数据集参数。
 
       2）数据集参数就是直接取出满足条件的数据，而模板参数是取出全部数据后通过设置过滤条件再获取对应参数的数据，因此若数据量大的情况下使用数据集参数可以提高报表的访问效率。
 
附：参数为空选择全部
 
数据集参数：SELECT * FROM 订单 where 1=1 ${if(len(area) == 0,"","and 货主地区 = '" + area + "'")} 
解释：在订单这张表查询所有字段，条件：当1=1成立时，执行${如果area这个参数长度为零，则为空，否则等于货主地区=参数查询}
 
模板参数：在修改过滤条件，改为公式：
 
3.  参数界面设置
 
3.1  是否显示参数界面
 
有时用户希望能够自己控制是否显示参数界面，用户可以在访问报表时，在URL后面添加参数&__pi__=false来控制不显示参数面板。通过__pi__参数控制
 
访问报表时在URL后面加上&__pi__=false就可以强制报表不显示参数界面（报表定义了参数界面且设置了显示参数窗体）；
 
例如：http://localhost:8075/webroot/decision/view/report?viewlet=GettingStarted.cpt&__pi__=false。
 
注：pi前后都是两个英文的下划线。
 
3.2  点击查询前显示报表内容
 
进入参数面板的编辑状态，在属性面板的控件设置中勾去“点击查询前不显示报表内容”，设置如下图：
 
 
3.3  其他
 
可以对参数面板背景，控件位置、大小等进行设置。
 
4.  日期控件默认值设置为空 
 
修改控件值类型为【公式】，并给控件值输入双引号，如下：
 
 
设置模板参数及常用组合：https://help.finereport.com/

背景
 
很多算法工程师戏谑自己是调参工程师，因为他们需要在繁杂的算法参数中找到最优的组合，往往在调参的过程中痛苦而漫长的度过一天。如果有一种方式可以帮助工程师找到最优的参数组合，那一定大有裨益，贝叶斯超参优化就是其中的一种。如果是单单罗列公式，可能会显得乏味，就用一些思考带上公式为大家分享。
 
目前在研究Automated Machine Learning, 其中有一个子领域是实现网络超参数自动化搜索，而常见的搜索方法有Grid Search、Random Search以及贝叶斯优化搜索。前两者很好理解，这里不会详细介绍。
 
我们希望找到最佳的超参数配置，帮助我们在验证/测试集的关键度量上得到最佳分数。
 
在计算力、金钱和时间资源有限的情况下，每个科学家和研究员都希望获得最佳模型。但是我们缺少有效的超参数搜索来实现这一目标。
 
 
 
Grid Search & Random Search
 
我们都知道神经网络训练是由许多超参数决定的，例如网络深度，学习率，卷积核大小等等。所以为了找到一个最好的超参数组合，最直观的的想法就是Grid Search，其实也就是穷举搜索，示意图如下。
 
 
但是我们都知道机器学习训练模型是一个非常耗时的过程，而且现如今随着网络越来越复杂，超参数也越来越多，以如今计算力而言要想将每种可能的超参数组合都实验一遍(即Grid Search)明显不现实，所以一般就是事先限定若干种可能，但是这样搜索仍然不高效。
 
所以为了提高搜索效率，人们提出随机搜索，示意图如下。虽然随机搜索得到的结果互相之间差异较大，但是实验证明随机搜索的确比网格搜索效果要好。
 
 

 高斯过程
 
首先要知道什么是高斯过程，高斯过程也是正态分布，我们可以理解为一般世界的很多随机事件都是遵循这样的一个原则。比如买了1000次彩票，中奖的概率是多少，这就是一个典型的随机过程。比如在20楼向下扔皮球，砸中美女的概率也是一个随机过程。
 
在贝叶斯调参过程中，假设一组超参数组合是X=x1,x2,...,xn(xn表示某一个超参数的值)，而这组超参数与最后我们需要优化的损失函数存在一个函数关系，最终的评估结果为Y，通过什么样的X可以取得最优的Y，我们假设是f(X)， Y=F(X)
 
而目前机器学习其实是一个黑盒子(black box),即我们只知道input和output，所以上面的函数f(x)很难确定。所以我们需要将注意力转移到一个我们可以解决的函数上去.
 
 
 
 
 
于是可以假设这个寻找最优化参数的过程是一个高斯过程。高斯过程有个特点，就是当随机遍历一定的数据点并拿到结果之后，可以大致绘制出整个数据的分布曲线。
 
 

  
 
上图是一个高斯过程的图，就像人生的曲线，起起伏伏，命运造化弄人，需要不断地尝试才能知道最终的结果。所以如果要找到完整的人生的曲线，需要不停地在每一个单点尝试，直到真个曲线清晰。就知道做什么样的事情，可以到达高谷，好比在超参优化中就是什么样的参数可以得到好的结果。
 
贝叶斯优化的重要基础理论就是不断通过先验点去预测后验知识。
 
贝叶斯优化理论
 
 
 
 
还是这张图，把横轴看作是参数组合X，纵轴看作是这个参数的结果Y。可以通过已经构建的曲线，找到曲线上升的方向，从而在这个方向上继续探索，这样就可以大概率拿到更好的结果。在生活的轨迹上，如果找到一条明确通往幸福的路，可以继续向前探索，因为大概率可以成功，但也许也有会错过更好的机会，陷入局部最优解。请看上图中的五角星，如果我们处于它的位置，继续向上走会迎来一个高峰，但是如果后退，在下降一段时间之后可能会迎来更高的波峰，你该如何选择。
 
于是，在参数的探索中要掌握一个平衡：
 
    开发：在明确的曲线上扬方向继续走，大概率获得更好的结果，但是容易陷入局部最优。
 
    探索：除了在曲线上扬的方向，在其它的区域也不忘寻找
 
总结一下，贝叶斯超参优化跟生活很像，面对顺境选择继续向前，还是勇敢的跳出现状寻找更大的突破，这需要一个策略，在调参中这个策略可以自己定义一些方法去实现。把参数组合对结果的影响看作是一个高斯过程，把开发和探索的策略作为一个自定义函数去权衡，这就是贝叶斯超参带给我们的启迪。
  
 
 
 
参考：
 
https://blog.csdn.net/buptgshengod/article/details/81906225