神经网络超参数优化与灵敏度分析
神经网络超参数优化与灵敏度分析
提问于 2022-02-28 16:12:59
我正在用一个单输出神经网络处理Keras中非常大的数据集。当网络深度发生变化时，我观察到模型性能有了一些改进。因此，我现在想要进行“系统”研究的超参数优化(隐藏层、激活函数、#神经元、时间、批次大小等)。但是，有人告诉我，GridSearchCV和RandomSearchCV不是合适的选项，因为我的数据集很大。我想知道你们中是否有人在这方面有经验，或者有反馈，这些反馈可能会指引我走上正确的道路。
回答 1
Stack Overflow用户
发布于 2022-02-28 22:40:45
使用混淆矩阵和热图来测量网络的性能精度。
Y_pred=model.predict(X_test)
Y_pred2=np.argmax(Y_pred, axis=1)
Y_test2=np.argmax(Y_test, axis=1)
cm = confusion_matrix(Y_test2, Y_pred2)
sns.heatmap(cm)
plt.show()
print(classification_report(Y_test2, Y_pred2,target_names=label_names))页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/71297893
复制相关文章
相似问题
腾讯云开发者
