- 博客(2)
- 收藏
- 关注
RSS订阅原创 机器学习基本方法
•验证集不像训练集和测试集，它是非必需的。如果不需要调整超参数，就可以不使用验证集，直接用测试集来评估效果。训练数据太少（比如只有几百组）模型的复杂度太高（比如隐藏层层数设置的过多，神经元的数量设置的过大）数据不纯。•验证集评估出来的效果并非模型的最终效果，主要是用来调整超参数的，模型最终效果以测试集的评估结果为准。过拟合：将训练样本自身的一些特点当作所有样本潜在的泛化特点。表现：在训练集上表现很好，在测试集上表现不好。•调整超参数，使得模型在验证集上的效果最好。模型数据集：训练集、验证集、测试集。
2024-09-17 16:10:58
181
原创 机器学习的算法与流程 统计分析
交叉验证防过拟合 通过交叉验证将数据集分割成训练集和测试集，评估模型在未见数据上的性能，减少 过拟合，选择更泛化的模型。奥卡姆剃刀原则 在模型选择时，若无足够数据或理论支持复杂模型更优，则选择最简单的模型，即 “如无必要，勿增实体”。在机器学习中，模型假设是预测准确性的基石。3.交叉验证验证假设通过交叉验证技术，如K折交叉验证，可以评估模型假设在不同数据集上的泛化能力，确保模型假设的稳健性。3、偏差与方差权衡重要：统计学习中偏差表示模型的准确性，方差反映模型的稳定性，合适的权衡是提高模型性能的关键。
2024-09-07 16:59:42
763
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人