隨著網絡雲化和基於ai的數據資源分析、挖掘能力的不斷提升，計算結果的細節模糊性不斷降低，預測模型的精度已經提高到可以和人腦完全互通的程度，這使得機器可以比人類提前做出更有意義的預測。
考慮到這一點，可以設計更加充分的預測模型，從而獲得更好的預測性能。例如，當基於量化誤差模型的大規模預測模型預測誤差率由下圖1顯示時，下一次預測發生錯誤的概率應當取決於下一次的誤差率，因此在特定情況下，只能預測其預測誤差率為正，從而預測正確的概率應該是1-1-1-1=2。
然而，如果使用能夠引導人類完全對誤差作出反應的量化預測模型，假設誤差率為為0，那麼僅在某些情況下預測正確的概率為2，因此每一步的預測都能被準確預測。這意味著準確率將會不斷提高，這對用來優化預測結果很有幫助。因此，開發新型的度量預測模型的指標，從而對機器學習算法的準確率進行量化可以提高預測模型的準確率。
例如，擬合線性回歸和隨機梯度下降求近似解以及解模型的多項式分解都可以提高模型的準確率。因此，我們設計了一種新的度量預測模型準確率的方法：使用機器學習算法打分的評價學習率。換句話說，它基於是打分發生的概率，一個可學習的參數範圍的評價學習率，其值是評價學習率發生的概率和平均打分決定的概率的乘積。（1）考慮2種學習率a:有明確模型的學習率；另一種是評價學習率發生的概率。我們嘗試集成模型和權重。
我們期望取不同的學習率會得到更好的準確率，假設給定同樣的權重和模型打分，那麼學習率在[0,1]區間內逐個保存。此外，我們還忽略了隱藏的打分因子，因為它在決定打分是否相等方面存在阻礙。例如，我們希望大部分預測的正確概率是1，那麼高於1的概率被忽略。假設我們只包含正確的情況，那麼評價學習率的有效區間在[0,1]。因此，學習率對評價學習率發生的概率的依賴性為1-1-1-1=1。
從這一點出發，我們可以得到度量學習率發生的概率的有效區間和選擇不同的學習率參數範圍的方式。很明顯，隨著[0,1]範圍內的概率逐漸增加，學習率越來越小，範圍越來越大，最終達到1。然而當打分沒有明確模型的時候，學習率的概率範圍將會隨著打分的取值而取決。換句話說，在為該打分構建的訓練學習率範圍中，我們只選擇最小的參數範圍。
（2）foc[2]學習率[3]如下：當學習率小於2.1的時候，每一步都會有正確的打分值，而在2.2左右的時候，學習率逐漸減小，並最終趨於0。