@shm7 验证集可以用来搜索最佳的模型生成参数。如果一定要套用到遗传算法上，我们是要让种群数量减小，演化次数减少，以便不进行充分的演化？这感觉和遗传算法的本意是相违背的

@Issacx 现在的核心问题，其实和具体业务是无关的。我来具体解释下矛盾在哪里

传统的机器学习任务，比如用决策树做分类，如果我们在 trainset 上建立一颗尽量精细的决策树 (model)，然后把这个 model 用于 testset，通常效果是不太好的，因为有过拟合，这是个典型的错误

因为是典型的问题，所以也有典型的解法，对于决策树分类问题，解法是这样的:

我们把 trainset 分为两个子集: trainset_1_of_2, trainset_2_of_2

接下来的重点是，我们不是直接构建一个最佳的 model，而是构建一个最佳的 model 的生成参数 (比如 max_depth)

```C++
int best_depth = -1;
int best_score = -1;

for (int max_depth = 1; max_depth < 10; max_depth++) {
tree1 = construct(trainset_1_of_2, max_depth);
score1 = run(trainset_2_of_2, tree1);
tree2 = construct(trainset_2_of_2, max_depth);
score2 = run(trainset_1_of_2, tree2);
score = (score1 + score2) / 2;

if (score > best_score) {
best_score = score;
best_depth = max_depth;
}
}
```

这样我们就得到了 best_depth，然后在整个 trainset 上用这个参数来构建决策树

```C++
tree = construct(trainset, best_depth);
```

接下来这颗树在 testset 上效果就比较好了

但是如果我们搜索的，不是模型生成参数，而是模型本身 (使用遗传算法)，这套方法还成立吗？

PS: 目前使用的是类似图像演化的遗传算法，得到是一个类似 BMP 的图像

@VoidChen 是类似图像演化的算法，可以参考这篇文章 https://chriscummins.cc/s/genetics/

@Semidio 4500 欧的售价已经把 99% 的人吓跑了

这个场景的最佳矿机是那些次新一代的主流矿机，能效不是最高的不要紧，关键是价格要低

@dlsflh 卧室或书房里攒着一桶矿物油感觉也不太好诶

临时实验一下拍个演示视频还能接受

这个我已经实践了一段时间了，制热效果还是不错的，1500W 足够一个 10 平方米的小房间冬季取暖了

1. 1500W 的空调可以有 4500W 的制热能力，每 4.5 单位热量，支出 1.5 份电费

2. 3 台 1500W 的矿机也有 4500W 的制热能力，每 4.5 单位热量，反赚 0.6 份电费 (根据电价和矿机型号具体数值可能不同)

3. 出风口噪音 75 dB 左右，放身旁完全受不了

4. 真的不敢改造风扇；现在风扇工作很稳定，改了万一温度反馈调节机制有问题，或者采购的风扇运行不稳定，起火就不好了

5. 现在正在开发第二版消音器，争取降噪 15dB ；第一版主要用的是消音棉，第二版用的是三层夹胶玻璃，轻微改造至少比换风扇踏实点

6. 网络上关于降噪的资料相当少，目前还在瞎摸索阶段，这个问题其实才是大坑

7. 一个更好的思路是矿机放屋外空调外机上，用管道把暖风通到市内；这个效果一定非常好，因为冬天的室外气温是非常低的，进的冷风几乎可以让风扇只工作在最低转速，本身噪音就降低了，经过一般商品房配的双层玻璃又降了一个数量级，但是要特别注意防雨，而且如果装修时没有预留打孔操作会比较麻烦

8. 还有一个思路是买官方版的水冷矿机，比较省心，就是太贵，而且这类产品一般性价比不高；此外要特别关注这类产品的保修和售后服务

@sw0rd3n 遗传算法是挺好的，但是主要问题是上面提到的，约束条件下存在演化方向不平衡问题

@dbw9580 不知道，比如可能是 KNN 生成的一个交叉验证有效率