CNN 训练集和测试集loss值配对T检验

最新推荐文章于 2025-03-28 06:38:07 发布
最新推荐文章于 2025-03-28 06:38:07 发布
阅读量2.8k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 统计学
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/fitzgerald0/article/details/78995823
本文通过配对样本T检验分析了训练集与测试集的loss值，并揭示了两者之间的显著负相关关系。实验结果显示，在0.01置信水平下，两组loss存在显著差异。此外，还展示了随着训练epoch的增加，训练集loss下降而测试集loss上升的趋势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

对输出的两组loss值进行配对样本T检验

1.两组值如图所示：(A-训练集loss , B-测试集loss)



2 . 二组值的相关：可以看出是中度的显著负相关



3 . 二组的配对T检验：结果表明在二者在0.01置信水平呈显著差异



4 . 绘图:随着训练epoch的增加，训练集的loss逐渐降低，而测试集loss增加




训练loss不下降原因集合
jacke121的专栏
04-09 9万+
一，train loss与test loss结果分析 train loss 不断下降，test loss不断下降，说明网络仍在学习; train loss 不断下降，test loss趋于不变，说明网络过拟合; train loss 趋于不变，test loss不断下降，说明数据集100%有问题; train loss 趋于不变，test loss趋于不变，说明学习遇到瓶颈，需要减小...
cnn 验证集 参与训练吗_如何正确使用机器学习中的训练集、验证集和测试集？...
weixin_39955700的博客
11-24 1817
训练集、验证集和测试集，林林总总的数据集合类型，到底该怎么选、怎么用？看过这篇教程后，你就能游刃有余地处理它们了。问题审稿的时候，不止一次，我遇到作者错误使用数据集合跑模型准确率，并和他人成果比较的情况。他们的研究创意有的很新颖，应用价值较高，工作可能也做了着实不少。但因对比方法错误，得出来的结果，不具备说服力。几乎全部都需要返工。这里，我帮你梳理一下，该怎么使用不同的数据集合：训练集（train...
认识数据重塑
最新发布
DAT｜R科学与人工智能
03-28 991
数据重塑（Data Reshaping）是指通过对数据框（Data Frame）或其他类型的数据结构进行操作，改变其形式或结构的过程。数据重塑的目标是使数据更加符合特定分析的需求，从而简化分析过程，提高分析的准确性和效率。
[深度学习] - 通用网络模型训练过程的 loss 变化分析方法 (loss / val_loss / test_loss)
热门推荐
Eden Garden
11-27 5万+
理解训练过程中 loss 变化情况 (loss / val_loss / test_loss)
tensorboard同时记录训练集和测试集的loss
Dive的博客
04-08 2772
1 为train和test分别写好loss cost = tf.losses.mean_squared_error(y, predict) loss = tf.sqrt(tf.reduce_mean(cost))#rmse tf.summary.scalar('train_loss',loss)#画loss #画测试集的loss 但是需要用测试集的数据传入feed cost1 = tf.loss...
tensorflow2 搭建神经网络六步法
weixin_44111377的博客
09-21 864
import tensorflow as tf import os import numpy as np from matplotlib import pyplot as plt np.set_printoptions(threshold=np.inf) mnist = tf.keras.datasets.mnist (x_train, y_train), (x_test, y_test) = mnist.load_data() x_train, x_test = x_train / 255.0, x_
CNN：目标检测在自动驾驶应用中的应用
yly的博客
05-07 1827
1. 3D-OD 1.1 Mono-3D 3D-OD在图像上目标检测的基础上，还需要给出相机坐标系或世界坐标系下目标的（x,y,z,h,w,l,theta）。其中，(x,y,z)目标中心点在相机坐标系下的坐标，(l,w,h)是目标的长、宽、高，theta是orientation中的yaw角。其中，（x,y,z）中depth z往往直接回归；x和y一般是预测图像上的像素offset，并通过内参K约束计算而来。 由相机内参投影方程得： ， 即： ， ， 对于相同距离的两点： ， ， 以上
【高级统计分析】：深入NASA电池数据集的深层结构
![【高级统计分析】：深入NASA电池数据集的深层结构]...第三章专注于统计模型的构建和假设检验原理，强调了时间序列分析在电池性能预测中的作用。第四章深入研究了监督和无监督学习算法在电池数据分析中
【机器学习模型的评估】：荷兰耕地遥感影像数据集的性能分析
![【机器学习模型的评估】：荷兰耕地遥感影像数据集的性能分析]...接着，通过对荷兰耕地遥感数据集的分析，讨论了数据获取、预处理、特征提取、数据集分割与标注的过程。本
【论文笔记】Image Privacy Prediction Using Deep Neural Networks
weixin_51547366的博客
01-11 2142
摘要 如今，越来越多的图片在Facebook、Flickr、Foursquare和Instagram等社交网站上在线共享。图像共享不仅发生在一群朋友之间，而且越来越多地发生在用户社交圈之外，用于社交发现。尽管目前的社交网站允许用户改变他们的隐私偏好，但这对于绝大多数网络用户来说往往是一项繁琐的任务，他们在分配和管理隐私设置方面面临困难。当这些隐私设置使用不当时，在线图像共享可能会导致恶意披露和侵犯隐私。因此，在将图像上传到社交网站之前，自动预测图像的隐私以警告用户隐私或敏感内容已成为当前互...
py-faster-rcnn划分数据集（训练集、验证集、训练验证集、测试集）
12-18
将自己的数据集划分为py-faster-rcnn所需的集（训练集、验证集、训练验证集、测试集），读取xml文件生成对应的txt文件。
《机器学习》 周志华（西瓜书）的简单笔记
weixin_44137875的博客
08-06 1250
异常样本检测：可视化，概率统计（正态分布，高斯分布），PCA降维去除异常值，isolation forest（那些密度很高的簇是可以被切很多次才会停止切割，但是那些密度很低的点很容易很早的就停到一个子空间了） 学习器在所有新样本上的误差——泛化误差（generalization error） 学习能力过强，以至于把训练样本所包含的不太一般的特性都学到了——过拟合（overfitting） 机器学习的大部分带参模型只是改变了最优化目标中的损失函数：如果是Square loss，那就是最小二乘了；如果是H
CNN训练相关细节
ShuqiaoS的博客
09-14 2115
CNN训练学习笔记 记录学习CNN结构搭建、训练、模型实现等过程中遇到的问题。更新于2018.09.13，如需转载请联系作者。 CNN训练学习笔记 超参数确定方法 Caffe | Solver / Model Optimization 损失计算 后续更新… 超参数确定方法 在神经网络的训练过程中往往有许多需要确定的超参数（如momentum、batch size、b...
CNN的训练图像与测试图像不一致的多尺度问题
MyArrow的专栏
07-14 1万+
1. 传统检测和定位方法     对于检测和定位问题，最自然（也是最常用的方法）就是采用滑窗对每一个图像块进行检测，从而确定目标物体的位置。以上解决分类、检测和定位的方法有一个共同的地方，就是需要一个滑窗对整幅图像进行密集采样，然后处理每一个采样得到的图像块。传统的处理这些图像块的方法是一个接一个处理。但是，CNN有更便捷的做法。 2. CNN检测和定位方法 2.1 密集采样（滑窗）
cnn测试集准确率比训练集低_【ML-Titanic】（五）训练模型评估测试集
weixin_39946534的博客
12-08 985
通过对Titanic船上人员的信息来判断是否生还，已经明确过这是一个二元分类器。训练样本数据已经全部处理完，并保存在df变量中，接下来就可以训练模型进行数据训练。接着就需要开始选择一个分类器进行训练了，目前先选择随机梯度下降（SGD）分类器。训练模型使用sklearn的SGDClassifier进行非常的方便，大致流程如下：将Pandas转为Numpy将输入和输出分别赋值给X，y使用SGD分类器进...
CNN损失函数学习（最全）
weixin_42495721的博客
12-22 1万+
损失函数的学习一、损失函数的概念二、回归损失（Regression Loss）1.L1 Loss2.L2 Loss3.Smooth L1 Loss4.IoU Loss5.GIoU Loss6.DIoU Loss7.CIoU Loss8.F-EIoU Loss8.CDIoU Loss三、分类损失1.Entropy2.Cross Entropy3.K-L Divergence4.Dice Loss5.Focal Loss6.Tversky loss总结导入 一、损失函数的概念 在机器学习中，损失函数是代价函数
pytorch实战（三）——搭建CNN，训练集和测试集的accuracy、loss可视化
一位安分的码农的博客
11-28 892
，进行accuracy和loss的可视化。本文基于前面搭建的卷积神经网络（
keras做CNN的训练误差loss的下降
fitzgerald0的博客
01-08 1万+
采用二值判断如果确认是噪声，用该点上面一个灰度进行替换。 噪声点处理：对原点周围的八个点进行扫描，比较。当该点像素值与周围8个点的值小于N时，此点为噪点 。 处理后的文件大小只有原文件小的三分之一，前后的图片内容肉眼几乎无法察觉。 但是这样处理后图片放入CNN中在其他条件不变的情况下，模型loss无法下降，二分类图片，loss一直在8-9之间。准确率维持在0.5,同时，测试集的训练误差持续下...
机器学习系列（五）——训练集、测试集、验证集与模型选择
zxhohai的博客
07-12 4万+
在机器学习过程中，为了找到泛化性能最好的那个函数，我们需要确定两方面的参数：1、假设函数参数，也就是我们通常所说的www和bbb，这类参数可以通过各种最优化算法自动求得。2、模型参数，比如多项式回归中的多项式次数，规则化参数λλ\lambda等，这些参数被称为超参数，一般在模型训练之前通过手工指定（当然也可以采用网格法等算法进行寻优）。确定模型超参数的过程称为模型选择。 模型选择 借用吴恩...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值