【方法论】机器学习先做特征选择还是参数寻优？
在监督学习中，特征选择应被视为模型训练的一部分，而非独立于模型的预处理环节。使用默认参数进行特征选择可能误删有用特征，影响模型性能。实验表明，特征与模型之间存在高度耦合，某些特征（如LPCC）在特定模型下表现优异，而另一些（如FBank与动态特征的组合）则可能适得其反。因此，建议采取“特征-模型协同设计”思路，分阶段评估特征有效性，并结合模型的“特征偏好”进行优化，以提升整体识别性能。
在监督学习中，特征选择应被视为模型训练的一部分，而非独立于模型的预处理环节。使用默认参数进行特征选择可能误删有用特征，影响模型性能。实验表明，特征与模型之间存在高度耦合，某些特征（如LPCC）在特定模型下表现优异，而另一些（如FBank与动态特征的组合）则可能适得其反。因此，建议采取“特征-模型协同设计”思路，分阶段评估特征有效性，并结合模型的“特征偏好”进行优化，以提升整体识别性能。