1回答
print(metrics.accuracy_score(y_test, y_pred)) 5 0.88 0.85 0.86 537 然后，我决定执行超参数优化，以改善此结果。0.62 570
5 0.70
浏览 35提问于2019-12-05得票数 2
回答已采纳
2回答
培训集交叉验证后是否需要测试集？
、、、、
我想引用Aurelien的“与Scikit学习和TensorFlow一起进行机器学习的手”一书中的一段，关于在使用k-折叠交叉验证对训练集进行超参数调整之后对最终测试集的评估：
“如果您进行了大量的超参数优化(因为您的系统最终对验证数据进行了很好的调整，并且在未知数据集上的性能可能不太好)，那么性能通常会比使用交叉验证时稍微差一些。”在本例中情况并非如此，但当发生
浏览 0提问于2020-08-14得票数 1
回答已采纳
1回答
当使用异步超参数优化包(如scikit优化包或带有交叉验证的hyperopt包(例如cv =2或4)并将迭代次数设置为N(例如N=100)时，如果我期望：
损失值依次提高的顺序迭代之间的依赖关系(例如，迭代数10中的优化超参数优于在迭代数9中生成的优化超参数，等等)。在这种情况下，我应该始终选择在上一次迭代中生成的</e
浏览 0提问于2020-03-11得票数 1
回答已采纳
4回答
我最近试图优化模型，但是由于某种原因，每当我试图运行优化时，模型的分数最终都会比以前更差，所以我认为我做错了什么。为了优化我的模型，我定义了param网格，并将其与列车数据进行拟合，然后根据结果再次运行nre参数，例如param_grid={
'max_depth': [3,4,5],(现在根据结果更改参数.)在这一步之后，我选择了最优的超</
浏览 0提问于2020-09-21得票数 3
回答已采纳
1回答
我想用Keras对我的传输学习模型进行超参数优化。我不知道该怎么做，因为我有两个阶段的训练，
解冻和训练网络。在和中，提出了一种基于传递学习的超参数优化方法--共享超参数优化。他们说，在这两个阶段之间共享一组超参数会得到最好的结果。但是，我
浏览 5提问于2021-04-30得票数 0
我在研究神经网络的超参数优化。我运行了20个时代的模型。在计算出最佳的超参数之后，我再次单独运行相同的模型(现在没有超参数优化)，但是得到了不同的结果。不仅如此，我还发现执行超参数优化时所达到的值(精度)发生在最后一个时期(第20次)。另一方面，当我再次运行相同的</
浏览 1提问于2018-09-14得票数 1
回答已采纳
3回答
同样的东西，不同的名字)。许多人建议根据测试数据集中的性能选择超参数。我的问题是:为什么？为什么不在列车数据集中最大限度地提高超参数的性能，当我们通过测试数据集中的性能下降检测到过度拟合时，停止对超参数的训练？由于列车通常比测试大，这会不会比在测试数据集上训练超参数产生更好的结果？我正在使用GA来优化<
浏览 1提问于2016-07-05得票数 5
回答已采纳
2回答
机器学习算法的超参数优化
、、、
我有一个关于机器学习算法的超参数优化的问题。现在，我的超参数优化的目标是交叉验证损失。如果20%的观察结果是“红色”，80%是
浏览 0提问于2018-06-15得票数 2
回答已采纳
这个问题的背景是通过在启用默认剪枝的情况下运行study.optimize()来优化神经网络训练的超参数，并将学习率作为参数进行优化(此问题可以推广到其他超参数)。高学习率可以有良好的结果，最初基本上降低了每一个中间步骤的损失，但最终结果很差。
低学习率可能会产生较差的初始结果，但具有更好的最
浏览 17提问于2019-08-11得票数 3
我注意到，在一些消息来源中，作者首先用默认的超参数来训练模型(比如来自scikit-learn的模型)，模型自然会给出结果。然后，他们会尝试优化超参数，即使参数网格包含相同的默认参数(例如，对穷举网格搜索)，然后选择具有最佳参数的最优模型。当我练习的时候，我做了同样的步骤，但是在我解剖了这个过程之后，我意识到这可能是多余
浏览 0提问于2021-09-22得票数 1
4回答
如何使用Keras模型？
、、、
然而，我对酸洗Keras模型的需求源于使用sklearn的RandomizedSearchCV (或任何其他超参数优化器)进行的超参数优化。必须将结果保存到一个文件中，因为这样脚本就可以在分离的会话中远程执行。
浏览 20提问于2018-01-17得票数 20
1回答
我正在调整一个回归梯度助推模型，以确定适当的超参数使用4倍交叉验证。更具体地说，我使用XGBoost和lightGBM作为模型，使用贝叶斯优化算法进行超参数搜索(hyperopt)。超参数之一，在每个模型所使用的估计器数中被调优。在第一轮测试中，我从估计量在100到300之间开始。超参数优化算法的结果是，估计量的最佳个数为100
浏览 0提问于2020-02-24得票数 4
2回答
这里是关于科学学习中的超参数优化过程的概述。随机搜索比网格搜索速度快，但方差过大。在其他包中也有其他策略，包括scikit优化、自动滑雪和scikit超带。
什么是最有效的方法(快速找到合理的性能参数)的超参数优化
浏览 0提问于2019-03-13得票数 11
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参数的超参数调优作业多次评估相同的<em
浏览 3提问于2018-01-19得票数 1
1回答
我使用贝叶斯优化来稍微加快速度，因为我有大量的超参数，并且只有我的CPU作为资源。
从超参数空间进行100次迭代，当训练仍然花费了太多的时间才能找到一组合适的超参数时，每一次迭代都要经历100次。我的想法是这样。如果在贝叶斯优化过程中，我只训练了一个时代，那么这是否仍然是一个足够好的指标，说明总体上最好的损失？这将大大加快<em
浏览 0提问于2020-05-05得票数 2
回答已采纳
4回答
我想优化一个有几个可变参数作为输入的算法。
在Python中是否有一个标准化的方法/库，允许优化不限于机器学习主题的超参数？
浏览 0提问于2018-02-19得票数 7
2回答
我试着用贝叶斯优化来调优超参数。这是一个具有目标函数的回归问题: objective =‘reg:方格误差’。我想找到一组超参数，以最小化损失函数。在实现贝叶斯超优化时，这是否优化了平方日志错误？最大值(pred我，1)在出现负预测的情况下存在。而且，即使在超参数优化之后，我也得到了不好的结果。这些是我评估的<
浏览 0提问于2020-10-28得票数 1
回答已采纳
fitrgp选择的默认超参数似乎主观地产生了不太理想的模型。启用超参数优化往往会带来有意义的改进，但偶尔会产生极端拟合的值，这是一个需要计算的过程，它禁止对每个模型进行优化。由于fitrgp只是包装bayesopt来进行其超参数优化，那么是否可以直接调用bayesopt来最小化多个模型(例如平均值)损失的一些汇总，而不是一次调用
浏览 1提问于2017-11-14得票数 0
回答已采纳
我正在尝试在Python语言中优化的超参数。
我有3个独立的数据集:训练/验证/测试。因此，我希望使用特定的验证集来调优超参数，而不是使用交叉验证方法，即中描述的“第一种方法”。现在，sklearn有一些很好的内置方法来使用交叉验证(例如)来优化超参数，但是如果我想用特定的验证集来调优我的超
浏览 12提问于2021-11-04得票数 1
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
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
