本文介绍了在机器学习模型训练过程中如何合理设置rank、iteration与lambda这三个关键参数。rank影响特征向量的数量，设置不当会导致欠拟合或过拟合；iteration决定了训练的精度与耗时之间的平衡；lambda用于控制正则化程度，避免过拟合。此外，文章还提供了解决过拟合问题的一般策略。
rank：是一个特征向量，数据特征数，设置的太小拟合度会不够，误差就很大，设置的太大的话会有过拟合的问题，导致模型的泛化能力较差，一般情况下10～1000都是可以的。
iteration：迭代次数，设置的越大越精确，但是也越耗时。
lambda：是一个正则化参数，设置大一点可以防止过拟合，可以从0.0001 ，0.0003，0.001，0.003，0.01，0.03，0.1，0.3这样每次大概3倍的设置，先大概看下哪个值效果比较好，然后在那个比较好的值前后再设置一个范围。如果机器性能够好，而且时间充裕，可以直接设置从0到100，间隔很小，然后一组一组的试。
解决过拟合：增大数据规模、减小数据特征数、增大正则化系数
您可能感兴趣的与本文相关的镜像
Yolo-v5
YOLO（You Only Look Once）是一种流行的物体检测和图像分割模型，由华盛顿大学的Joseph Redmon 和Ali Farhadi 开发。 YOLO 于2015 年推出，因其高速和高精度而广受欢迎
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
扫一扫
