我在一个二进制分类问题上训练了一个xgboost型分类器。它能产生70%的准确率预测。然而，在9.13，logloss是非常大的。我怀疑这可能是因为一些预测与目标相差很远，但我不明白为什么会发生这种情况-其他人报告的相同数据的对数损失(0.55 - 0.6)要好得多。sklearn.model_selection import train_test_splitfrom xg
浏览 8提问于2017-06-21得票数 2
回答已采纳
4回答
我创建了三个不同的模型，使用深度学习进行多类分类，每个模型都给了我不同的准确性和损失价值。测试模型的结果如下：第二种模式:精确度: 98.5%损失: 0.0997我的问题是：
损失和精确值之间的关系是什么为什么即使精度较高，第三种模型的损失</e
浏览 0提问于2018-12-14得票数 38
2回答
我对神经网络中损失和准确性度量的共存感到有点困惑。两者都是为了使y和\hat{y}的比较“准确”，不是吗？那么，这两个冗余不是在训练时代的应用吗？而且，它们为什么没有关联呢？
浏览 0提问于2016-08-25得票数 12
我的最终目标与其说是实现一个具有最佳决策规则性能的模型，不如说是了解哪些用户操作/特性在确定积极的零售操作中是重要的。现在，我在论坛和文献中读到了很多关于评估/优化XGBoost模型和随后的决策规则的文章，我认为在实现最终目标之前，这是必需的。对决策规则部分(如精确召回曲线下的面积、AUROC等)和模型(如对数损失)的评价方法有很多种。我认为AUC和日志
浏览 0提问于2019-12-30得票数 2
回答已采纳
2回答
损失似乎在减少，而且算法运行良好。但准确性并没有提高和坚持。: 0.537067列车周期:7 100/249 (40%)损失: 0.597774列车周期:7 200/249 (80%)损失: 0.554897测试装置:平均损耗: 0.5094，准确性: 37/63(58%)列车周期:8 0/249 (0%)损失: 0.481739列车时代:8 100/249 (40%)损失: 0.564388列车时代:
浏览 0提问于2019-07-18得票数 5
在培训我的LSTM (使用Python中的Keras库)时，验证损失不断增加，尽管它最终确实获得了更高的验证精度。这就引出了两个问题：这是我的LSTM的一个示例历史日志，它适用于：将历元0与历元~43
浏览 0提问于2021-01-24得票数 0
1回答
这个问题来自于在TensorFlow上观看以下视频和从Google /O 18中强化学习：loss = -R(sampled_actions * log(action_probabilities))train_op = optimizer.mi
浏览 2提问于2018-12-04得票数 4
回答已采纳
我正在开发一个使用LSTM和MDN来预测某些发行版的网络。我为这些MDN使用的损失函数包括尝试将我的目标数据与预测的分布相匹配。我试图计算这些目标数据的log_probs的日志和exp，以计算损失。当我使用标准的log-sum-exp时，我得到了合理的初始损失值(约50-70)，尽管后来它遇到了一些NaNs和中断。根据我在网上读到的</e
浏览 0提问于2019-11-23得票数 0
回答已采纳
谁能给我解释一下这里的问题是什么？我正在尝试用我可以获得的数据制作一个3-D矩阵垫子。我有49 of的RAM可用。为什么我仍然得到内存错误？
浏览 23提问于2016-02-01得票数 1
1回答
我尝试过不同的模型，如隔离林、支持向量机和KNN。根据包含80\%特征和4000数据样本的数据集，它们的18\%是异常的。当我使用自动编码器，并调整适当的重建损失阈值，我可以获得92\%精度，但隐藏层设置的自动编码器似乎不正确，尽管我得到的准确性。正如我所说的，我只有5特性和设置如下 layers.De
浏览 0提问于2022-05-19得票数 0
3回答
我是GBM和xgboost的新手，目前在R中使用xgboost_0.6-2。我只是简单地删除了GitHub xgboost演示后面的'pred‘语句，但恐怕它比这个更复杂，而且我无法找到使用自定义目标函数的任何其他示例。或者它是否是xgboost的一个问题(可疑)？
浏览 0提问于2016-12-22得票数 6
FileTarget对象在NLog中具有一个名为"keepFileOpen“的属性(bool)。默认情况下，此属性设置为false，意味着每个日志事件都将打开文件、写入文件并关闭文件。有没有人知道(或者仅仅知道)为什么这个属性在默认情况下被设置为"false"，会给日志记录带来巨大的性能损失？是否存在将此属性设置为true可能导致问题的情况(因此，将其默认为“false”是有意义的)。
浏览 2提问于2012-07-09得票数 8
回答已采纳
1回答
我只是在keras中实现了泛化的骰子损失(骰子损失的多类版本)，如中所述：但一定有什么地方出了问题第一件奇怪的事:虽
浏览 22提问于2018-02-27得票数 10
1回答
我已经创建了一个自定义的损失函数来处理二进制类的不平衡，但我的损失函数并没有在每个时期得到改善。对于指标，我使用精确度和召回率。 plt.grid(True); plt.gca().set_ylim(0, 1); plt.show()
用于处理类不平衡问题的自定义损失函数输入数据集的图像和真正的</e
浏览 2提问于2020-11-30得票数 1
第一种模型不存在正则化，从历元到第十阶段都存在过拟合现象，因此该模型在第9期停止训练，验证损失最小发生在历元9次。
第二种模型具有正则化(Dropout)，不显示过度拟合。因此，这种模式比第一种模式的训练时间长得多。但最小验证损失值并不高于第一模型的最小验证损失值。尽管这个模型可以训练得更多，但是这个模型似乎没有达到第一个模型的最小验证损失的值。这些模型训练相同<
浏览 3提问于2020-10-21得票数 0
回答已采纳
1回答
SIS与LWE问题
、、、
n \times m}.f_A(x)是单向函数( Ajtai 96)
g_A(x,e)是一个单向函数.我的问题是，在设计新的加密方案方面，Regev的单向函数是否比Ajtai单向函数提供了优势，或者它们是否与它们的
浏览 0提问于2021-09-06得票数 2
当我执行在cifar10上描述的模型时，使用一个GPU大约4小时后，精度达到86%，当我使用2个GPU时，精度下降到84%，但在2个GPU上达到84%的精度比1快。我的直觉是，在average_gradients中定义的函数返回一个不太精确的梯度值，因为梯度的平均值将比实际的梯度值更不准确。
如果梯度不太精确，那么参数比控制作为训练的一部分所学习的函数更不准确。看看代码()，为什么平均多个GPU上的梯度比计算单个GP
浏览 7提问于2017-05-08得票数 9
回答已采纳
具体地说，在具有像素级标签的卷积网络中，输入是图像，标签是“热图”，其中每个像素都有浮点值。更具体地说，每个像素的地面实况标签的下限为零，虽然从技术上讲没有上限，但通常不会大于1e-2。在没有批量归一化的情况下，网络能够给出合理的热图预测。在批量归一化的情况下，网络需要很长时间才能得到合理的损失值，而最好的做法是使每个像素都成为平均值。我曾在另一个(单值)回归网络
浏览 0提问于2017-03-24得票数 3
我正在尝试实现一个稍微小一点的VGG16版本，并在大约6000幅图像(5400用于培训，600用于验证)上从头开始训练它。我选择了30的批次大小，这样它就可以很好地适应数据集，否则我会在训练期间得到带有IncompatibleShape错误的his。至少我预计，对于imageA来说，预测的输出应该不同于imageB。我无法理解为什么丢失和准确性似乎不会有太大变化。我原以为，对于历次来说，准确度至少会提高到50%左右，但不会超过23%。labels[j])
predictions.append(pr
浏览 4提问于2021-05-25得票数 0
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
对象存储
腾讯会议
云直播活动推荐
腾讯云开发者
