1回答
我目前正在使用Keras使用狗和猫的数据集来训练ResNet模型。例如，如果我有4000个训练集，那么我认为训练精度应该是1/4000或0，或者是1/4000的倍数。但提示符中显示的精度不是1/4000和0的倍数。这是怎么发生的？ enter image description here
浏览 11提问于2020-06-29得票数 0
我的神经网络在火把上的训练越来越快了。训练精度从80%开始并提高
列车损耗减少并保持稳定
验证精度从30%开始，但增长缓慢
验证损失增加
我要展示以下图表：如
浏览 4提问于2020-04-21得票数 0
回答已采纳
1)建议在什么时候保留部分数据进行验证，什么时候不需要？例如，什么时候我们可以说80%的训练，10%的验证和10%的测试拆分更好，什么时候我们可以说简单的80%的培训和20%的测试拆分就足够了？2)另外，使用K-Cross验证是否适用于简单的拆分(训练-测试)？
浏览 26提问于2020-03-18得票数 0
回答已采纳
2回答
验证/培训的准确性和过度拟合
、、、、
如果将数据随机分成训练数据和验证数据，假设训练数据和验证数据具有相似的“分布”，即它们都是整个数据集的良好表示。
在这种情况下，在没有过度拟合的情况下，验证精度是否总是与训练精度大致相同？或者，在某些情况下，是否有可能在培训和验证准确性之间存在“内在”差距，而这并不是由于验证
浏览 0提问于2018-02-06得票数 1
1回答
我被告知，对于训练中的每一个时代，我们都执行一个训练阶段，然后是一个验证阶段，在这个阶段我们决定新的参数集是否优于当前的最佳参数集。这种参数的选择使用与训练相同的损失函数，但应用于验证数据而不是训练数据。
我的问题是，在验证阶段使用的度量是否真的必须是相同的损失函数，还是可以是其他度量，例如精度或平均精度？
浏览 0提问于2020-03-21得票数 1
回答已采纳
3回答
我们如何检测需要多少次迭代才能对我们自己的数据集上的预训练进行微调？例如，我使用5个类对我自己的数据运行fcn32。我什么时候可以通过观察训练阶段的损失和准确性来停止微调过程？
非常感谢
浏览 66提问于2017-01-15得票数 1
1回答
我有‘练习’数据集，我可以分成训练，验证和测试集，我将玩数据，以建立一个机器学习模型。但在实际情况下，我将得到一个非常小的数据集，我将分为培训和验证集。没有足够的观察来建立一个单独的测试集。那么，如何根据实际数据来估计模型的“公平”性能呢？我唯一的想法是找出验证集上的性能与实际数据上的测试集(一条回归线等)之间
浏览 0提问于2018-01-31得票数 1
1回答
我有一个数据集，其中包含处理条件(即42个特征)和一类材料的属性(即1个目标)。为了了解不同机器学习模型的性能，在训练中考虑了不同数量的特征，对五种不同的机器学习模型进行了测试。测试数据集的确定系数(R2)用来表示经过训练的机器学习模型的性能。我们可以看到最大的。这些模型的精度依次为: RF>BR~LR~SVM>NN。前8位特征要求获得较好的射频精度，之后的精度几乎与顶级功能的<e
浏览 0提问于2020-06-16得票数 1
回答已采纳
1回答
神经网络的验证精度
、、、
在训练神经网络时，我通常把在验证数据上获得的精度(验证精度)作为网络性能的中间度量--最终的度量是测试精度。根据训练数据的大小，在一个时期内测量此验证精度一次或多次。通常，我停止训练时，验证准确性开始下降 -一个迹象的过度拟合。
然而，对于大型数据集，我通常没有足够的计算能力来等待验证的准确性
浏览 0提问于2018-03-24得票数 1
我有一个关于交叉验证的问题:我使用朴素的Bayes分类器对博客文章进行分类。当我验证我的数据集而没有k-折叠交叉验证时，我得到了一个0.6的精度分数，但当我进行k-折叠交叉验证时，每一个折叠都会呈现出一个更高的精度(大于0.8)。例如：
(k-折叠)：折叠
浏览 2提问于2015-02-20得票数 0
回答已采纳
1回答
训练和交叉验证误差曲线
、、、
我有一个图表，它在X轴上绘制训练数据，在y轴上绘制精度。我用sklearn的学习_曲线绘制了曲线。结果表明，训练数据集的精度降低，验证数据集的准确性提高。我不能为这种行为辩护。通常情况下，随着训练数据集的增加，训练的准确性应该会提高，对吗？
此外，假设数据集非常嘈杂，因此，随着数据<em
浏览 0提问于2016-09-26得票数 5
在有监督学习中，原始数据分为三部分:训练数据集、验证数据集和测试数据集。测试数据集用于最终评估模型，因此不会在训练过程中使用。我认为，验证数据集用于在训练时调整模型的参数。
我想知道的是验证<e
浏览 27提问于2020-02-29得票数 1
1回答
验证和测试的准确性差别很大
、、、、
我目前正在处理kaggle中的一个数据集。在训练了训练数据的模型后，我在验证数据上对其进行了测试，得到了0.49左右的准确率。
然而，相同的模型在测试数据上的准确率为0.05。
浏览 3提问于2018-02-10得票数 10
回答已采纳
1回答
e1071::svm()中的总准确率是如何计算的？这与从混乱表中计算得出的结果不同： > x <- subset(iris, select = -Species)> model <- svm(x, y,cross=10)[1] 96Confusion Matrix and Statistics
Prediction setosa
浏览 25提问于2019-10-16得票数 0
1回答
为了在卷积神经网络上获得最好的精度，最好是增加训练集和验证集的数据，还是仅仅增加训练集？为什么？
浏览 0提问于2020-12-23得票数 1
在我的代码中，我构造了一个节点来计算数据集中正确分类的数字的分数，如下所示：然而，我也想在tensorboard中获得这些值的图表，但我不知道如何做到这一点。如果我只是向accurac
浏览 1提问于2015-12-26得票数 41
1回答
我正在处理一个大型数据集(例如，一台机器的大数据集)--有1,000,000个例子。
我将数据集划分为：(80%的训练数据，10%的验证数据，10%的测试数据)。尽管20%的数据专门用于验证和测试，但每片仍有10万个示例(也就是说，我可能会错过一些存在于验证或测试集中的重要数据，而以前的培训集
浏览 3提问于2020-07-18得票数 0
2回答
我实现了一个模型，其中我使用Logistic回归作为分类器，我想绘制学习曲线为训练和测试集，以决定下一步做什么，以改进我的模型。为了给你一些信息，为了绘制学习曲线，我定义了一个函数，它采用一个模型，一个预分裂的数据集(训练/测试X和Y数组，NB:使用train_test_split函数)，一个评分函数作为输入，在n个指数间隔的子集上迭代数据集的训练我的结果如下图所示
我想知道，为什么训练的准确性开始这
浏览 5提问于2016-05-02得票数 3
回答已采纳
1回答
我试图训练和验证我的数据集，其中包含17个数据集。我已经把它们分为15项用于培训，2项用于验证。在此过程中，我对15个数据集进行了训练，并使用生成的模型对其余2个数据集的结果进行了预测。在我的理解中，这个过程被称为省略验证。无论我使用哪种分类器(SVM，可优化SVM，knn，可优化KNN)，我的训练精度都很高，接近90%-100
浏览 0提问于2021-09-03得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
实时音视频活动推荐
腾讯云开发者
