如何在机器学习中固定恒定的验证精度？

文章/答案/技术大牛

发布

1回答

python、machine-learning、keras、computer-vision

我正在尝试使用预训练的InceptionV3模型对具有平衡类的dicom图像进行图像分类。testY, shuffle=True) predictions= model.predict(testX)

浏览 2提问于2018-08-20得票数 1

回答已采纳

2回答

在机器学习中具有高损失的恒定验证精度

python、tensorflow、machine-learning、keras、deep-learning

我目前正在尝试使用Inception V3创建一个包含2个类的图像分类模型。我有1428张图像，大约是70/30的平衡。当我运行我的模型时，我得到了相当高的损失以及持续的验证准确性。validation_steps = validation_samples//batch_size,这是我运行模型时的日志

浏览 0提问于2018-10-02得票数 3

1回答

基于ECC的工作精度和时间常数算法？

elliptic-curves、timing-attack

在这些算法中，必须执行算术运算(如加法和乘法)。这些“内部”操作也必须在固定时间内执行，对吗？那么我猜所有中间变量的精度都是一样的。但是这里需要什么精度(例如，如果我把两个256位数相乘，我想结果需要512位)。在恒定时间内执行这些“内部”算术运算的好算法是什么？

浏览 0提问于2016-08-30得票数 3

回答已采纳

3回答

如果有的话，机器学习算法被认为是可解释性和预测之间的一个很好的权衡？

machine-learning、predictive-modeling

描述梯度增强机器或神经网络等算法的机器学习文本经常评论说这些模型擅长预测，但这是以失去可解释性或可解释性为代价的。相反，单决策树和经典回归模型被标记为善于解释，但与更复杂的模型(如随机森林或支持向量机)相比，预测精度(相对)较差。是否有普遍接受的机器学习模型代表两者之间的良好权衡？是否有任何文献列举了算法的特点，使它们可以解释？(这个问题以前是在交叉验证<

浏览 0提问于2016-05-22得票数 9

回答已采纳

5回答

在哪个时代我应该停止训练以避免过度适应。

machine-learning、neural-network、deep-learning、accuracy、overfitting

我正在做一个年龄估算项目，试图在一个预定义的年龄范围内对一个给定的面孔进行分类。为此，我正在使用keras库来训练深度NN。培训和验证集的准确性如下图所示：正如你所看到的，验证的准确性以比训练精度更小的步骤不断提高。我是应该在训练和验证精度相同的280年代停止训练，还是应该在验证精度提高的情况下进行训练，即使训练精

浏览 0提问于2018-05-29得票数 10

回答已采纳

1回答

基于LSTM的文本生成器的理想验证精度应该是多少？

python、tensorflow、keras、lstm

我使用我拥有的数据集来建模一个基于LSTM的文本生成器。该模型的目的是预测句子的结束。我的训练显示出大约81%的验证准确率。在阅读几篇文章时，我发现与分类问题不同的是，我更应该担心的是损失而不是准确性。是这样的，如果是的话，什么是理想的损失价值？现在我的损失就在1.5+附近。

浏览 10提问于2019-12-06得票数 1

回答已采纳

1回答

CNN链接器中验证精度的下降

python-3.x、conv-neural-network、chainer

我正在使用CNN在Chainer中对细胞图像进行分类。随着主/训练精度的提高，模型的验证精度也在下降。我想知道为什么验证准确率在下降，有什么方法可以提高验证准确率。我已经在除最后一层之外的所有层中应用了relu和dropout。在该模型中，即使在50个时期之后，训练和验证精度也是不变的。下面给出的模型显示主/

浏览 24提问于2019-01-08得票数 1

回答已采纳

4回答

快速Java矩阵库适用于JOGL +泛型矩阵数学？

java、matrix、jogl

我对在JOGL2中使用着色器而不是固定函数管道来编写OpenGL应用程序很感兴趣。我需要在CPU端做相当多的4x4双精度矩阵数学运算，以取代固定函数管道的推送/弹出/转换业务。同样的应用程序还将包含一些机器学习代码，这些代码需要对大矩阵进行操作。我看过用于机器学习的JBLAS (由于我已经在使用JNI for JOGL，依赖于另一个本地库的缺点

浏览 0提问于2011-06-11得票数 6

回答已采纳

1回答

基于精度优化超参数的正确方法

python、machine-learning、catboost、optuna

我正在使用optunta + catboost来优化和训练一些增强的树。我想知道优化超参数的正确方法，以最大限度地提高准确性(而不是最小化对数损失)。目前，我的代码是： def objective(trial): 'depth' = trial.suggest_int('depth', 4, 9),study = optuna.create_study(direction = 'maximize') study.optimize(objec

浏览 19提问于2021-07-01得票数 1

3回答

机器学习的非预测应用

machine-learning

Prediction似乎是machine learning的主导主题。大多数算法都有fit和predict函数，因此可以建立模型，从新的特征集中预测结果或其他感兴趣的参数。机器学习的non-prediction applications是什么？

浏览 0提问于2018-11-05得票数 0

回答已采纳

1回答

如何改进我对德语文本的多类文本分类？

python、nlp、svm、text-classification、tf-idf

我是NLP的新手，这让我有点困惑。我试图在我的数据集上使用SVC进行文本分类。我有一个6个类的不平衡数据集。这篇文章是健康、体育、文化、经济、科学和网络课程的新闻。我用TF-以色列国防军进行矢量化。因为我的文本是德语的，所以我没有使用lemmatization。我的第一次尝试： train, test = train_test_split(df, test_siz

浏览 1提问于2020-12-04得票数 0

回答已采纳

1回答

随机状态值的变化会改变模型的精度

python、scikit-learn、cross-validation、train-test-split

在测试我的线性回归模型时，我发现更改train_test_split中的random_state参数会更改模型精度。为了详细说明，我的列车测试拆分如下：X = pd.DataFrame(boston_data.data, columns=boston_data.feature_namesMEDV']) X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=

浏览 1提问于2018-03-28得票数 0

1回答

在代码中导致过度匹配的问题是什么？

machine-learning、neural-network、overfitting、regularization、dropout

**from sklearn.model_selection import train_test_splitfrom keras.layers import Densefrom keras.layers import Activationfrom sklearn.preprocessing import St

浏览 0提问于2021-12-12得票数 0

回答已采纳

1回答

如何用异常图像测试卷积神经网络代码？

neural-network、keras、conv-neural-network

我是深度学习的初学者(CNN)。我使用了这个代码:()来学习更多关于卷积神经网络的知识。这个python代码只是将数据分成"train“和"test”两部分，代码中没有验证部分。那么，如何在包含不同图像(如正常图像和异常图像)的代码中添加验证文件夹呢?我的目标是:向代码中提供一个异常图像(该图像与机器以前训练过的训练和测试图像

浏览 3提问于2017-03-27得票数 1

回答已采纳

1回答

模型好但混乱矩阵差？

deep-learning、keras、accuracy、confusion-matrix、kaggle

输出12结果表明，即使对于验证集，模型的精度也在90%以上，而16中的混淆矩阵甚至不能达到50%的精度，而且在验证集上也是如此，所以我不理解混淆矩阵的这种低精度。我认为这可能是由于数据的增加，但如果有人能向我解释并告诉我如何在学习曲线的充分性方面有一个混乱的矩阵，我会很感激。提前谢谢。

浏览 0提问于2021-05-28得票数 0

1回答

在sklearn中使用支持向量机时如何实际使用验证集

machine-learning、cross-validation

在使用SVM时，我发现对原始数据集执行三向拆分是一种很好的做法，类似于70/15/15的拆分。我<em

浏览 1提问于2014-01-26得票数 3

1回答

是否有可能得到一个超适合的模型之间的不适应比较，与此图表？(家庭作业)

machine-learning、random-forest、data-science-model、model-selection、boosting

我不知道该怎么解释，因为我认为LGBM验证错误的事实是广泛的，类似于训练盒图，没有过度拟合的问题，但是当我看到另一种执行LGBM的图表时，我可以看到LGBM确实是过度的，所以我真的不知道如何解释这个正确的方法📷LightGBM可能是最好的选择，因为它更快，最后您可以获得足够的准确性，与其他两个相比，套袋有较少的超适合，因为误差之间的差异较小。谢谢

浏览 0提问于2020-06-27得票数 1

回答已采纳

1回答

EM-ELM交叉验证

machine-learning、neural-network、cross-validation

我知道交叉验证用于找到最大限度减少平均误差的最佳超参数。例如，将交叉验证的平均误差最小化的神经元数在ELM中估计。冯，G，黄，G.B.误差最小化的极端学习机器增长的隐藏节点和增量学习。IEEE关于神经网络的交易，20 (8)，1352-1357。

浏览 0提问于2018-07-05得票数 4

1回答

是否可以拥有与验证历史非常相似的培训历史？

python、keras、plot

我训练了一个50年代的模型，按照以下比例分割数据集： X = np.load(....)从历史上可以看出，验证的准确性/损失与培训的准确性/损失非常相似。有时验证损失甚至低于训练损失。至于最后一条声明，

浏览 1提问于2021-01-08得票数 1

回答已采纳

1回答

使用Lasagne的卷积神经网络精度(回归与分类)

python、neural-network、lasagne、nolearn

然而，尽管我在训练和验证损失方面得到了for (Ish)结果，但我的验证和测试精度始终是恒定的(网络总是预测同一个类)。有谁知道如何在Lasagne中设置相同的变量(因为我不想使用Nolearn)？

浏览 9提问于2015-09-18得票数 2

点击加载更多