改善模型品質後，建議您調整模型的品質。請執行下列步驟。
新增實用功能
如要改善模型效能，可以新增尚未將現有功能編碼資訊的功能。使用關聯性矩陣，即可找出個別特徵與標籤之間的線性關聯性。如要偵測特徵與標籤之間的非線性關聯性，您必須使用模型 (無論是否包含該特徵或特徵組合) 來訓練模型，並檢查模型品質是否增加。您必須提高模型品質，才能確定特徵的包容性。
調整超參數
您找到了讓模型正常運作的超參數值。不過，您還是可以調整這些超參數值。您可以微調試用期和錯誤數值，但手動調整是耗時。建議您改用自動化的超參數調整服務，例如 Cloud ML 超參數調整。
調整模型深度和寬度
偵錯模型時，您只需要增加模型的深度和寬度。相較之下，在模型最佳化期間，您可以依據目標增加或減少深度和寬度。如果模型品質夠佳，請試著減少深度和寬度，以減少過度配適和訓練時間。具體來說，請嘗試將各個連續圖層的寬度凍結。由於模型的品質也會降低，因此您必須在適配與訓練時間間取得品質。
反之，如果您需要更高的模型品質，請嘗試增加深度和寬度。如需範例，請參閱這個 Neural Network Playground 練習。請記得，隨著訓練時間與過度配適的增加，深度和寬度的增加實際上已有限。如要瞭解過度配適，請參閱一般化：過度配適。
由於深度和寬度是超參數，因此您可以使用超參數微調來最佳化深度和寬度。