更新中
目标：找到能充分学习数据规律，但不过度拟合噪声的最小参数量。
增量策略：
优先增加深度（层数）：
添加1个隐藏层（如16神经元）→ 训练验证
再增加宽度（神经元）：
逐步提升每层神经元数（16 → 32 → 64 ...）
核心是围绕是否过拟合，通常用损失。在不平衡数据中，可能采用f1-score，看漏告和误告来判断是否过拟合（欠拟合时，识别稀有事件的能力低，容易漏告）
极端条件下，稀有样本仅出现在某一个集合中，导致使用损失评估的方法失效。
