Google Cloud ML使用贝叶斯优化来缓解维度的诅咒。在特定情况下，我有一些超参数调优作业，在这些作业中，我希望对超参数调优作业中的超参数网格执行详尽的搜索。我该怎么做呢？我执行纯网格搜索的动机是:我观察到，针对完全离散类型的超<e
浏览 3提问于2018-01-19得票数 1
如果我有许多超参数要调优，每个超参数都可以表示为任意长度的向量，例如神经元数量= [4, 8, 16]，学习率= [0.1, 0.01, 0.001, 0.0001]，那么全网格搜索的计算复杂度是多少？要调优的不同超参数的数量是否为多项式？
浏览 26提问于2019-08-17得票数 2
1回答
我需要构建一个网格搜索来调优超参数。如何构建自定义网格搜索？我已经创建了一个自定义的支持向量机类，名为CustomSVM()，具有fit()、predict()和score()方法。我想在该类上做一个搜索网格，看看哪些参数是最合适的。
浏览 25提问于2020-10-25得票数 0
1回答
我面临的主要问题是调整超参数。这是GANs面临的一个大问题。当我研究超参数调优时，我发现了网格搜索这个名字。因此，我想使用这个网格搜索来调整GANs的超参数。我不知道该怎么介绍这个。或者更好地调整GANs的超参数，然后分享。 谢谢。
浏览 16提问于2021-03-17得票数 0
回答已采纳
我正在学习扩展的TensorFlow，我可以看到它的训练管道包括一个用于超参数调优的"Tuner“组件。因此，我想知道在生产管道的情况下，包含调优是否是一个很好的实践(在大多数情况下，这是通过额外的新培训实例不时迭代地调用的)。我可以看到三种可能性：
在生产前进行单独的超参数
浏览 0提问于2022-02-23得票数 0
根据的说法，只有网格搜索和随机搜索算法可用。那么，如果支持，我如何在Google Cloud ML引擎上使用贝叶斯优化来调优超参数？
浏览 10提问于2018-12-17得票数 1
回答已采纳
我想在Apache Spark中对我的随机森林模型执行网格搜索。但我找不到这样做的例子。在样本数据中，有没有可以使用Grid Search进行超参数调优的示例？
浏览 1提问于2019-01-16得票数 0
2回答
在e1071中，R的库有一个内置的()函数来优化我们的算法。在支持向量机模型中，我使用调优函数来优化我的伽玛和成本参数但是对于一个非常大的数据集，这需要很长的时间。因此，是否可以添加一个进度条或百分比来监视我们<e
浏览 0提问于2016-01-02得票数 2
是否有一种使用进行超参数优化的方法，而无需定义分类器/回归器上的每个参数(参数)？就像自动超参数调优命令一样。在文档中，我找到了，但我并不完全理解这是为了什么。
浏览 8提问于2022-07-11得票数 -1
回答已采纳
1回答
由于数据量大，使用sklearn的基于直方图的梯度增强分类器提供了一个训练速度快的模型，特别是用于使用交叉验证的超参数调优。
但我意识到我的数据集是不平衡的(10% 1's和90% 0's)。我在基于直方图的梯度增强分类器的基础上尝试了不平衡学习的平衡袋式分级机，并且能够在没有任何超参数调整
浏览 0提问于2022-01-06得票数 0
网格搜索技术是一种易于使用且令人尴尬的并行方法，用于为机器学习模型找到最佳超参数集。Google Cloud Machine Learning (ML)引擎是否使用网格搜索？
浏览 0提问于2017-09-14得票数 0
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，如何根据验证集进行调优？验证集是否只是给出了神经网络对不可见数据(验证集)表现的指示，然后基于此我手动设置了超参数？还是自动(优化器)调</e
浏览 0提问于2020-07-19得票数 2
回答已采纳
我使用的是一个完全连接的前馈神经网络，它使用keras建立的文本分类。它由3个隐藏层组成。我计划在每个隐藏层之后添加一个辍学层，以防止过度贴合。我想知道我是否应该增加训练数据的大小，以便有一个更准确的比较。我的意思是，假设我有100万的训练数据，一个0.2的辍学率。我是否应该将退学率为0.3的培训数据增加到150万？
浏览 0提问于2018-03-07得票数 2
回答已采纳
所以，我在这里的困境是，我在一个独立决策树分类器上执行了超参数调优，我得到了最好的结果，现在轮到独立的Adaboost，但是这里是我的问题所在，如果我在Adaboost中使用调优的决策树作为base_estimator，那么我只对Adaboost执行超参数调优，它会产生与尝试对未调优的
浏览 0提问于2021-09-15得票数 0
回答已采纳
构建模型:对于参数设置、模型和模型描述，应该报告什么？我使用网格搜索来调优超参数。评估结果:对数据挖掘结果的评估应该报告什么？📷📷
对测试数据集的最终模型评估是评估结果的一部分，还是应该对新数据进行评估？
浏览 0提问于2018-06-17得票数 3
1回答
我最近完成了一个“相当好的”TF2/keras模型，用于图像识别，使用了许多层，SGD优化，并从MobileNetv2预训练模型开始。我可以永远调整:添加/删除层，不同的优化算法，学习率，动量，各种数据集增强，等等。我甚至没有考虑从其他预训练模型开始。我将优化器从SGD改为ADAM (应该更好，对吧？)而且它稍微更不准确。那么，如何收敛到一个更好的预先训练好的模型、参数、值呢？这只是一次试错吗？训练我的模型需要大约45分钟(10个时期)，当我调整这么
浏览 1提问于2019-10-26得票数 0
2回答
在Weka中，我使用了网格算法和随机搜索参数整定算法，但不幸的是，当我们使用ML算法(支持向量回归、线性回归等)而没有任何优化算法时，它们的性能(在更好的预测精度方面)最差。我想知道这怎么可能？我的意思是说，一种算法(网格算法或随机搜索算法)的性能应该比其他算法好或差，但与没有任何参数优化算法的算法相比，它们的性能最差。我甚至尝试了在Weka和MultiSearc
浏览 0提问于2019-10-16得票数 1
我刚刚开始学习tensorlayer，这是一个基于tensorflow框架的优秀的高级包装器，用于深度学习。有人知道如何做参数网格搜索来调优DNN吗？有没有什么方法可以让我使用sklearn中的GridSearchCV来调优tensorlayer中的网络参数？非常感谢。
浏览 0提问于2017-02-20得票数 1
2回答
好吧，我正在尝试理解如何以及在算法中的哪个点应用Kfold和GridSearchCV。此外，如果我理解正确，GridSearchCV用于超参数调整，即参数的值将提供最佳结果，Kfold用于更好的泛化，以便我们在不同的折叠上进行训练，从而减少偏差，如果数据以某种特定方式排序，则增加泛化。现在的问题是，GridSearchCV不是也在使用CV参数进行交叉验证吗？那么，我们为什么需要Kfold，如果我们需
浏览 2提问于2018-03-19得票数 4
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
