我正在尝试对一个大型数据集执行超参数优化。我希望避免使用交叉验证cv来加速优化。这就是为什么我要使用来自训练数据集的验证集，其验证拆分= 0.2。grid = GridSearchCV(estimator=model, param_grid=param_grid, n_jobs=-1, cv=3)
grid_result = grid.fi
浏览 28提问于2020-06-15得票数 1
回答已采纳
v=ms-Ooh9mjiE&list=PLWKotBjTDoLj3rXBL-nEIPRN9V3a9Cx07&index=4 过载、不足和模型容量”中提出的“深度学习速成课程”中，他建议数据应该分成列、验证和测试集训练集用于训练模型，验证集用于优化超参数，测试集用于对泛化误差进行无偏估计。当我看人们是如何实现这个设计的</e
浏览 0提问于2019-04-14得票数 0
我想通过使用GridSearchCV (Scikit-Learn)和数据增强(来自Keras的ImageDataGenerator)来优化CNN体系结构的一些超参数。然而，GridSearchCV只提供fit函数，而不提供fit_generator函数。是否建议在GridSearchCV中使用数据增强？ImageDataGenerator的参数已
浏览 0提问于2019-12-28得票数 6
回答已采纳
我对在训练阶段如何使用验证集感到困惑(像CNN这样的神经网络)？在Matlab或python(Keras)这样的平台中，我将数据集分为训练集、验证集和测试集。我知道验证集用于调优超参数(如神经元数目和学习速率)，假设使用SDG优化器，<em
浏览 0提问于2020-07-19得票数 2
回答已采纳
我正在执行RandomForest的超参数调优，如下所示，使用GridSearchCV。x_test)print(roc_auc_score(y_test,pred))
但是，我仍然不清楚如何在GridSearchCV中使用10-fold cross validation (也就是说，不只是将调优的参数应用于x_
浏览 2提问于2019-04-10得票数 4
回答已采纳
1回答
我想了解Gridsearchcv的逻辑是如何工作的。我查看了、正式的和源代码，但我无法理解以下内容：
如果我使用默认的cv = 5，那么输入数据的%拆分为:培训、验证和测试？Gridsearchcv多久执行一次这样的分割，以及它如何决定哪些观察属于训练/<
浏览 1提问于2020-11-26得票数 0
回答已采纳
我使用GridSearchCV来获得MLPClassifier的优化超参数(例如学习速率、隐层大小、激活)。但是对于一些数据集，虽然我将该参数应用到模型中，但分类精度并没有得到提高。例如，包含学习速率= a、隐层大小=b的datasets1精度比包含学习速率= c、隐层大小= d、从GridSearchCV获得的优化超参
浏览 3提问于2021-03-24得票数 0
理论上说，将数据集分解为三组:训练集用于训练模型，验证集用于调整参数，测试集用于评估性能。我有10个班，对于火车数据，每个班有1017个样本。在</em
浏览 5提问于2017-05-13得票数 1
回答已采纳
1回答
验证与预测的区别
、、、、
作为通过预测()或通过fit()验证？的后续，我想知道验证和预测之间的区别。为了保持简单，我将参考train、val和test：培训数据:训练模型，特别是通过GridSearchCV或类似的验证数据找到超参数:在“新”数据上验证这些超参数？测试数据:对未见数据进行预测分离数据: 60 %的<
浏览 0提问于2019-10-17得票数 0
回答已采纳
在训练数据集上交叉验证超参数网格后，SparkML的CrossValidator是否重新适合整个训练数据集？如果不是，它会从交叉验证的哪一部分中选择用于推断的bestModel？拟合的CrossValidator使.transform()方法可用。为此，CrossValidator是否使用最佳超参数在整个训练/交叉<e
浏览 22提问于2021-03-23得票数 0
我使用XGBoost模型对一些数据进行分类。我有一个独立的测试集，我从来没有用过，直到结束。我使用GridSearchCV来确定最佳参数，并将cv拆分(5倍)输入其中，并设置refit=True，以便一旦它计算出它在完整数据上训练的最佳超参数(所有折叠，而不是仅4/5倍)并返回best_estimator然后，我在最后的测试集上测试这个最好的</
浏览 0提问于2021-06-25得票数 2
2回答
与CNN交叉验证
、、、、
我想知道我的代码是否在做我想做的事情；给你一些背景信息，实现CNN的图像分类。我尝试使用交叉验证来比较我不同的神经网络架构def create_model(): model.add(Conv2D(24,kernel_sizeclass_weights)
test_eval = model.evaluate(test_X, y_pred, verbos
浏览 0提问于2019-04-30得票数 1
回答已采纳
1回答
对于超参数调优，我使用来自package sklearn的函数sklearn。我测试的一些模型需要特征缩放(例如支持向量回归- SVR)。最近，在Udemy课程机器学习A-Z™：中，教员提到对于SVR，目标也应该进行缩放(如果不是二进制的话)。考虑到这一点，我想知道在GridSearchCV执行的交叉验证过程的每一次迭代中，目标是否也是缩放<em
浏览 1提问于2021-04-17得票数 2
回答已采纳
我在GridSearchCV和K折叠交叉验证之间有很多混淆。我知道GridSearch只用于超参数优化，K折叠将我的数据分割成K折叠并在它们上迭代(cv值)。那么，我是否应该首先将数据分成训练集和验证集，将GridSearch应用于“最佳参数”的培训数据，然后使用从GridSearch获得的“最佳参数”对我的训
浏览 1提问于2021-06-29得票数 1
回答已采纳
1回答
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
浏览 3提问于2022-02-28得票数 1
我有一个高度不平衡的数据集(±5%的正实例)，为此我正在训练二进制分类器。我使用嵌套的5倍交叉验证和网格搜索来进行超参数调整。
我想避免过采样，所以我一直在研究class_weight超参数。对于sklearn的决策树分类器，这是非常好的工作，很容易给出一个超参数。然而，据我所知，这并不是sklearn的神经网
浏览 0提问于2019-02-07得票数 1
我在GridSearchCV和K折叠交叉验证之间有很多混淆。我知道GridSearch只用于超参数优化，K折叠将我的数据分割成K折叠并在它们上迭代(cv值)。那么，我应该先将数据分割成训练集和验证集，然后将GridSearch应用于训练数据以获得“最佳参数”，然后使用从GridSearch获得的“最佳参数”对训练数据使用K折叠，
浏览 6提问于2021-06-27得票数 0
回答已采纳
我目前正在运行一个GridSearchCV或RandomizedSearchCV来查找最佳参数。我是否应该将所有的“测试”X&y值通过到GridSearchCV或RandomizedSearchCV中？之后，我是否需要重新修改完整的测试数据？
浏览 4提问于2019-11-16得票数 0
回答已采纳
我知道GridSearchCV会通过使用k-折叠cv找到“最好的”超参数。但是，在找到这些超参数后，GridSearchCV是否会用整个数据集再次训练模型，以获得可训练的参数？或者它只使用生成最佳超参数的折叠来训练模型？
浏览 19提问于2019-04-11得票数 3
回答已采纳
3回答
最近，我一直在使用Tensorflow后端在Keras中应用网格搜索交叉验证(sklearn GridSearchCV)进行超参数调优。一旦我的模型被调优，我就会尝试保存GridSearchCV对象以供以后使用，但没有成功。函数初始化并编译一个Keras序列模型。在执行交叉验证之后，我尝试用以
浏览 0提问于2018-07-19得票数 10
云服务器
ICP备案
实时音视频
对象存储
云直播
腾讯云开发者
