什么损失函数/优化器用于模糊分类问题?例句:有四种类型:热、温和、冷、冷。
编辑:我使用一个热编码,并有~60个数据点。
发布于 2018-12-17 07:23:32
加入J.C.的答案,请注意,你不需要坚持一个热编码。对于你的热-温和-冷-冻结目标也可能是0,0.3,0.5,0.2。
发布于 2018-12-16 15:15:39
我会这么说,因为别人会说:这要看很多事情。
对于分类问题,最好从常规的交叉熵损失开始,特别是因为它在许多库(PyTorch、Keras、TensorFlow)中都是现成的。如果您正在处理二进制分类任务,那么二进制交叉熵也可能是一种有趣的尝试。当然,有人可以推荐更多晦涩的损失,但从那些简单的损失开始,可能会以最小的努力获得一个很好的回报!
同样,为了简单起见,Adam或SGD的势头往往是一个低挂的水果,你可以尝试。
我会说,使用亚当和交叉熵,并努力通过优化你的超参数尽可能多(验证集!)只有这样你才能移动其他部分。
另外,对于更具体的答案,您应该指定有多少特性,多少个数据点,以及如何处理分类(标签编码/单热)。
https://datascience.stackexchange.com/questions/42705
复制相似问题