1回答
我正在处理R中的一个数据集，该数据集分为训练和测试。我对数据进行了预处理，使其居中并除以标准差，因此，我希望存储训练集的平均值和SD值，以便使用相同的值缩放测试集。但是，与使用colmeans和apply(x, 2, sd)函数相比，使用scale函数获得的精度要好得多。当比较标准差时，也会发生同样的情况。 有没有办法在不使用scale函数的情况下缩放数据时获得更高的精度？
浏览 29提问于2021-10-23得票数 0
回答已采纳
2回答
我使用极限学习机进行分类，发现我的分类精度只有70+%，这导致我通过创建更多的分类模型来使用集成方法，测试数据将根据大多数模型的分类进行分类。然而，这种方法只提高了很小的分类精度。我能问一下，还有什么其他方法可以用来提高二维线性不可分数据集的分类精度吗？
浏览 2提问于2017-01-03得票数 1
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。我的想法是：
理想情况下，希望为模型学习所有可能的可用数据。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
浏览 3提问于2020-07-18得票数 0
3回答
我有一个包含60个标记对象(用于培训)和150个未标记对象(用于测试)的数据集。这个问题的目的是预测150个物体的标签(这曾经是一个家庭作业问题)。对于每个对象，我计算了258个特征。由于家庭作业问题的解决，我也有150个对象的真实标签，在y_test : (150,)。我的问题是：
使用这种方法，我在训练数据上获得了很好的性能(CV_score = 0.8)，但是测试数据的性能要差得多: LogReg中的C=1 = 0.54，C=0.01中的AUC = 0.40。我注意到，如果更改以下代码，测试数据的性
浏览 1提问于2016-11-16得票数 1
1回答
我正在用私有数据集构建一个5类分类器。每个数据样本有67个特征，大约有40000个样本。特定类的样本被复制以克服类不平衡问题(因此有40000个样本)。使用一个vs-一个多类支持向量机，我在验证集上的准确率为79%。特征标准化，准确率达79%。如果不进行标准化，我得到的准确度为72%。类似的结果，当我尝试50倍交叉验证。接下来是MLP结果，网络体系结构：67 40 5学习率:基学习率的指数衰减观察:训练的准确性和验证的准确性都停止<e
浏览 0提问于2018-05-07得票数 3
2回答
当使用不平衡的数据集(例如，欺诈检测)执行分类(例如，逻辑回归)时，是最好在过度采样少数类之前对特征进行缩放/zscore/标准化，还是在缩放特征之前平衡类？其次，这些步骤的顺序是否会影响最终如何解释特性(当使用所有数据scaled+balanced来训练最终模型时)？(不平衡)数据计算平均值/std；使用这些计算来缩放培训数据
使用平均值/std计算来缩放
浏览 0提问于2018-01-21得票数 7
我在一个包含FC层6个类的大型数据集上使用了一个经过训练的CNN模型(VGG16)，它给了我一个很好的精度(例如测试数据: loss=0.59，accuracy=0.829)。当我用较少的样本和标签(4个类)在dataset上应用相同的模型时，它降低了准确性。这里我的问题是:在第二个数据集上是否可以使用模型1 (bec我保存了所达到的权重)，还是由于类号的不同而不可能使用？
另外，如果我重新运行我的模型1，精度会提高
浏览 0提问于2020-08-10得票数 0
回答已采纳
我有两个不同来源的训练数据集和测试数据集。我的意思是，它们来自两个不同的实验，但它们的结果是相同的生物图像。我想做二进制分类使用深CNN和我有以下的测试精度和训练精度的结果。蓝线显示列车精度，红线在近250个历次后显示测试精度。为什么测试的准确性几乎是恒定的，而不是提高？这是因为、Test、和列车数据集来自不同的发行版吗？
编辑:在我添加了辍学层，回归项和平均减法之后，我仍然得到了一些奇怪的结果
浏览 0提问于2017-01-29得票数 3
1回答
我的机器学习模型在很大程度上超过了训练数据，但在测试数据上仍然表现得很好。当使用神经网络方法时，每次迭代都会略微增加测试集上的精度，但会大大提高训练集上的精度(过拟合)。在使用带有CNN架构的spacy时，这个问题得到了很好的演示，我得到了以下结果 0 29.305测试分数不断提高，而与训练<em
浏览 28提问于2019-11-08得票数 1
1回答
我有一个有24小时流量的数据集。我将60%用于训练，40%用于测试。我在两个集合中都观察到了一些类似的情况。我想知道，测试集和训练集应该完全不同吗？
浏览 8提问于2019-11-14得票数 1
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认为非常好的准确性和下降是由于一些噪音，因为小数据集在开始，然后当数据集变得更加一致，它开始上升，但我不确定。有
浏览 5提问于2016-05-02得票数 3
回答已采纳
我使用34个变量使用相同的数据集建立了MLP和RF模型，并在类似的测试数据集上获得了相同的精度。正如您在下面的图片中所看到的，SHAP摘要图和RF VIM的顶部变量是非常不同的。有趣的是，我从MLP中删除了低排名变量，提高了精度.然而，射频结果并没有改变。这是否意味着RF不是对此数据集建模的好选择？
浏览 1提问于2021-06-16得票数 2
回答已采纳
1回答
从验证精度到测试精度的显著下降
、、、、
我对分类任务比较熟悉，虽然我一直在研究回归问题。给我一个大的训练数据集(>70k样本)和一个独立收集的测试集(~2k)。在测试集上，我始终取得了不错的验证精度，但精度却明显较低。我一直在执行这样的验证：
1)利用训
浏览 0提问于2019-08-11得票数 3
4回答
最后，在280年代前后，分类精度几乎停止了提高。后来的年代只是在280年代的精度值附近看到了小的随机波动。与之前的图表相比，与培训数据相关的成本继续平稳下降。但测试精度的结果表明，改进是一种幻想。就像费米不喜欢的模型一样，我们的网络在800年后所学习的东西不再推广到测试数据中。所以这是没有用的学习。我们说网络是过度适应或过度训练超过时代280。我们可以看到，测试数据的成本一直在提高，直到十五年左右，
浏览 0提问于2017-05-22得票数 12
1回答
然而，测试数据集的丢失和准确性似乎是非常不稳定的。为了获得稳定的精度和损失，我必须运行15+历元。最大准确度仅为50%。我能做些什么来提高性能呢？
浏览 4提问于2022-07-29得票数 -1
回答已采纳
2回答
我在整个系列中将它的输入标准化。在培训中更改批处理大小会影响结果。我尝试将批处理大小设置为输入集的大小，以便在一个批处理中完成整个系列的培训，从而提高了结果，但仍然是缩放的。是否有一种方法可以禁用Keras中输入/输出的默认规范化
浏览 3提问于2017-05-21得票数 1
回答已采纳
1回答
我正在开发一个端到端训练和量化训练的例子.使用数据集，我加载了一个经过预先训练的模型，然后使用TensorFlow指南中的来量化我的模型。在整个过程正确完成之后，我得到以下结果：Quant TF test accuracy: 0.744700014591217量化应该会降低一些精度。
我注意到，在TensorFlow的指南示例中，准确性也得到了一些提高，但与我的示例相比却很少。更确切地说，在运行这个使用数据集</em
浏览 6提问于2020-09-23得票数 2
2回答
对于相同的数据集(例如，MNIST)，然后比较它们的准确性。目标是从哪种训练数据大小中找出哪种方法比其他方法更好。为了做到这一点，我不断地减少原始训练数据集( 60000个样本)，并在这些减少的训练数据集上训练模型。如果我使用原始的MNIST测试数据集(10000个样本)来确定精度，我当然会得到过度拟合，例如，当训练数据集为1000个样本时，我获得了95%的训练精度和75%的测试精度。训练数据集越小
浏览 0提问于2019-04-28得票数 0
我正在尝试训练一个用于情感分析的模型，当将数据分为训练和测试时，它显示出90%的准确率！但是每当我在一个新的短语上测试它时，结果几乎是一样的(通常是在0.86 -0.95的范围内)！Training Accuracy: 0.9855在新的句子上测试它，比如“这只是一个文本！”和“讨厌传教士！”
浏览 0提问于2020-02-01得票数 3
当我测试模型时，也会使用批处理。为了提高精度和准确度，我可以使用tf.metrics.auc和tf.matrics.accuracy来获得运行精度和运行精度。但是，如何获得测试数据的日志丢失？
浏览 0提问于2018-05-15得票数 0
回答已采纳
云服务器
ICP备案
云直播
对象存储
实时音视频
腾讯云开发者
