如何优化model结果

已于 2023-01-22 16:49:19 修改
阅读量152 收藏
点赞数
分类专栏： 李宏毅机器学习 python 文章标签： 人工智能 深度学习
于 2023-01-22 15:48:06 首次发布
原文链接：https://www.bilibili.com/video/BV1Wv411h7kN?p=23&vd_source=f682f3681a5f1e425870161030723e0e
版权

在这里插入图片描述
如果training data的loss大：
1.model bias大，模型中的function set太简单，model的弹性不好，需要重新设计model。
解决：增加更加的feature
DNN全连接层增加深度。
2.optimization不好
卡在local minima，gradient descent不能下降到更低的local minima
先train简单的model比如linear或者svm，或者浅的model，可以得到的loss，如果深的model比浅的model表现不好，则说明optimization不好

如果training的loss小，testing的loss大：
则有可能over fitting

全连接层比cnn（更关注局部）更有弹性，也因此cnn可以做图像识别

李宏毅2021/2022春机器学习课程

thinkphp下model层封装方法优化
living_ren的博客
01-02 2052
1.tp下涉及到多个控制器同时都需要取值时则会考虑将取数据的过程放到model层，控制层则会调用model层的方法直接取出相应数据；通过方法的封装可以只采取建立更少的model层来取数据，下面代码展示的就是article模型中通过一个方法取出最新文章、点击量最高文章和推荐文章： class ArticleModel extends Model { protected $table
行人重识别(12)——代码实践之模型训练（train_model(表征学习).py）
R.I.P Kobe Bryant
12-26 2858
介绍模型训练文件（train_model(表征学习).py）的作用、编写思路、python代码与训练过程。
“悟道”公开课第二讲丨如何优化大模型输出结果
Paper weekly
11-15 463
图片出处：https://bmk.sh/2020/05/29/GPT-3-A-Brief-Summary/如果你错过了上一波深度学习引发的NLP范式转换，不要再错过这一波超大预训练模型的崛...
快速了解机器学习中过采样（SMOTE）问题
AI_dataloads的博客
09-11 1万+
当我们创建一个逻辑回归模型时，往往会遇到这样一个问题，那就是两类标签的数量相差非常大，可能达到几十万甚至上百万，导致创建的模型往往不是很准确。那么怎样才能避免或者是尽量减小误差呢？这里我们就要来学习一种方法——过采样。
过采样算法之SMOTE
豆芽菜
10-04 7128
摘要 SMOTE是一种综合采样人工合成数据算法，用于解决数据类别不平衡问题(Imbalanced class problem)，以Over-sampling少数类和Under-sampling多数类结合的方式来合成数据。本文将以Nitesh V. Chawla（2002）的论文为蓝本，阐述SMOTE的核心思想以及实现其朴素算法，在传统分类器（贝叶斯和决策树）上进行对比算法性能并且讨论其算法改进的途径。 1. 引言 类别不平衡是一种在分类器模型训练过程中常见的问题之一，如通过大量胸透图片来学习判断一个人
【机器学习】合成少数过采样技术 (SMOTE)处理不平衡数据（附代码）
热门推荐
weixin_46287760的博客
02-09 2万+
在本文中，我们将探讨 SMOTE 的概念、其工作原理、优点、局限性及其对提高人工智能模型的性能和公平性的重大影响。
模型的效果评判及模型的进一步优化问题
永远鲜红の幼月的博客
06-02 874
对于一个样本的学习，学习完后，使用另一个样本进行检测.针对检测结果的不同，模型函数的进一步优化方法问题汇总 对于一个正则化的代价函数 J(θ)=12m[∑i=1m(hθ(x(i))−y(i))2+λ∑j=1mθj2] J(\theta)=\frac{1}{2m}[\sum_{i=1}^m(h_\theta(x^{(i)})-y^{(i)})^2+\lambda\sum_{j=1}^m\theta_j^2] J(θ)=2m1​[i=1∑m​(hθ​(x(i))−y(i))2+λj=1∑m​θj2​] 当我们发
数学建模算法汇总
qq_51635297的博客
07-26 4390
数学建模算法汇总
keras优化器的使用以及model.fit()函数的使用
ddana_a的博客
10-21 1586
优化器参考 model.fit()参考
OpenCV CUDA模块直方图计算------在 GPU 上计算输入图像的直方图（histogram）函数histEven()
jndingxin的专栏
05-29 1076
该函数用于在 GPU 上计算输入图像的直方图（histogram）。它将像素值区间均匀划分为若干个 bin（桶），并统计每个 bin 中像素的数量。
Sentiment analysis integrating LangGraph and large-scale conceptual models
最新发布
frostmelody 全网同名，大家多多关注呀~ 持续分享优质内容！
05-31 1074
基础单元：句子/评论/文档（如图中4条手机评论）。扩展单元：实体（如“相机”、“电池”）。关系类型构建规则示例实体共现两节点提及相同实体评论A和B都讨论“电池”语义相似概念向量余弦相似度 > 阈值两条夸“拍照效果”的评论句法依赖基于依存解析的语法关系评论中“电池”修饰“续航”工具NetworkX或PyG（Python库）。
同源“平滑思想”的问题解法：正则化与拉普拉斯平滑
qq_32205577的博客
05-28 1266
正则化与拉普拉斯平滑，一个是机器学习的“参数约束工具”，一个是概率模型的“分布修正技术”，看似分属不同领域，实则共享“平滑思想”的内核——通过调整目标函数或统计量，对极端情况进行缓和，使模型或分布更接近真实规律。
一、OpenCV的基本操作
qq_48904748的博客
05-23 1323
OpenCV是一个功能强大的计算机视觉库，包含多个模块，如图像处理、视频分析、机器学习等。基础操作包括图像的IO操作、绘制几何图形、获取和修改像素点、获取图像属性、图像通道的拆分与合并以及色彩空间的转换。此外，OpenCV还支持图像的算术操作，如图像的加法和混合，这些操作可以用于图像增强和合成。通过这些功能，OpenCV能够处理各种图像处理任务，为计算机视觉应用提供强大的支持。
智能体商业化落地实战指南：破解技术变现“最后一公里“难题
2401_88740939的博客
05-28 1229
AI智能体开发遇变现难题，井云平台推出解决方案。当前智能体开发者面临三大困境：用户管理低效、支付链路缺失、流量转化乏力。井云平台通过三大引擎帮助实现商业化闭环：1）灵活计费模式和支付系统；2）独立官网生成与会员运营工具；3）企业级定制服务。典型应用场景包括法律咨询、文案生成、虚拟偶像等，支持从开发到变现的零代码快速部署，解决AI技术落地最后一公里问题，让智能体真正实现商业价值。
【第4章 图像与视频】4.6 结合剪辑区域来绘制图像
奋斗的小猪
05-29 1674
本节将综合运用图像处理、离屏 canvas 以及剪辑区域等技术实现墨镜效果。
AI大模型赋能客服中心：实施路径与关键策略
2202_75469062的博客
05-29 1117
AI大模型正在重塑客户服务行业格局，为企业客服数字化转型提供创新解决方案。文章系统阐述了AI大模型在客服领域的完整应用路径：首先明确业务需求与量化目标，选择适配的AI模型；其次做好数据准备与系统集成，通过试点验证模型效能；然后持续优化训练，逐步扩大应用范围；最后建立长期运营机制。实施过程中需应对技术适配、品牌契合和成本控制等挑战，采用"敏捷试点、快速迭代"策略。通过科学的全生命周期管理，AI大模型可显著提升客服效率40%以上，降低运营成本30%，同时改善客户体验，实现服务数字化转型。
python学习day31
weixin_51728929的博客
05-28 770
models/ 目录：专门存放训练好的模型文件，根据模型保存格式不同，可能是 .pkl（Python pickle 格式，常用于保存 sklearn 模型 ）、.h5（常用于保存 Keras 模型 ）、.joblib 等。output/logs/：保存项目运行日志文件，记录项目从开始到结束过程中的关键信息，如训练开始时间、训练过程中的损失值变化、预测时间等。4. 为你的数据和模型产出物创建专门的顶层目录，如 data/ 和 models/，将它们与你的源代码（通常放在 src/ 目录）分开。
Github 2025-05-29 Go开源项目日报Top9
老孙正经胡说
05-29 1178
创建周期：1890 天开发语言：Go协议类型：Apache License 2.0Star数量：2892 个Fork数量：2266 次关注人数：2892 人贡献人数：414 人Open Issues数量：876 个Github地址：https://github.com/open-telemetry/opentelemetry-collector-contrib.git项目首页: https://opentelemetry.io。
如何去除文章的AI痕迹2025新方法
hjehheje的博客
05-28 392
一位从事教育行业的自媒体运营者曾分享过自己的经验：他在使用“小狗伪原创”处理一篇关于家庭教育的文章时发现，AI生成的句子过于生硬，缺乏真实的情感共鸣。无论是借助“小发猫”的高效写作、“小狗伪原创”的文本重写，还是“PapreBERT”的智能生成，我们都需要通过后期加工与个性化调整，才能真正实现AI与人类思维的无缝衔接。本文将围绕这一问题展开探讨，结合具体事件与使用体验，分享一些实用的方法，并介绍如“小发猫”“小狗伪原创”“PapreBERT”等常见AI写作辅助工具在实际操作中的应用技巧。
ToModel系统卸载指南
系统概述部分强调了ToModel在提升正演和反演精度及效率、保证迭代和反演结果稳定性、综合运用多种算法、整合多元数据资料以及优化软件设计和工程化方面的优势。这表明ToModel是一个全面且高效的解决方案，适用于多种...
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