过拟合

tensorflow-卷积神经网络-图像分类入门demo

猫狗识别数据预处理：图像数据处理，准备训练和验证数据集卷积网络模型：构建网络架构过拟合问题：观察训练和验证效果，针对过拟合问题提出解决方法数据增强：图像数据增强方法与效果迁移学习：深度学习必备训练策略导入工具包
W_en丶·2023-09-23 05:21

【数据增强】

数据增强数据有限的情况下，可以增加样本的多样性、抑制过拟合，提高正确率。2数据增强的方法torchvision提供了诸多随机改变图片的方法：tr
知识推荐号·2023-09-23 05:18

逻辑回归-L1，L2正则比较

为了增加模型的泛化能力，可以通过加入正则项的方式来避免过拟合如下代码：importnumpyasnpnp.random.seed(12)#生成正负样本各100个num_sample=100#20乘20的矩阵
王路飞GoGoGo·2023-09-23 02:13

逻辑回归L1和L2正则化

正则化正则化是用来防止模型过拟合的过程，常用的有L1正则化和L2正则化两种选项，分别通过在损失函数后加上参数向量的L1范式和L2范式的倍数来实现。这个增加的范式，被称为“正则项”，也被称为"惩罚项"。
sshi9·2023-09-23 02:11

逻辑回归中对L1\L2正则化的理解

在逻辑回归中，L1和L2正则化是常用的正则化技术，用于控制模型的复杂度并防止过拟合。它们通过在损失函数中引入额外的正则化项来实现。
羊驼养殖户·2023-09-23 02:39

现代卷积网络实战系列3：PyTorch从零构建AlexNet训练MNIST数据集

1、AlexNetAlexNet提出了一下5点改进：使用了Dropout，防止过拟合使用Relu作为激活函数，极大提高了特征提取效果使用MaxPooling池化进行特征降维，极大提高了特征提取效果首次使用
机器学习杨卓越·2023-09-22 21:17

《动手学》：过拟合、欠拟合及其解决方案_课后作业

过拟合、欠拟合及其解决方案主要内容包括：1.过拟合、欠拟合的概念2.权重衰减3.丢弃法具体内容(附代码)链接：https://www.kesci.com/org/boyuai/project/5e429d955f2816002ce91413
木头杨_88f8·2023-09-22 21:40

量化投资入门指南：数据和研究

目录7.数据7.1数据类型7.2数据来源7.3数据清洗7.4数据存储8.研究8.1科学的方法8.2思想的产生8.3检验8.3.1样本内测试8.3.2模型好坏的度量指标8.3.3过拟合8.3.4样本外检验
GottdesKrieges·2023-09-22 14:14

torch其他层和联合使用

transform层nlp常用，在cv领域表现得很不错线性层，infeature和outfeature还有一个偏置dropout层，是为了防止过拟合，把其中的一些值以概率为p转换成0embedding是处理自然语言的一个层
ElE rookie·2023-09-22 09:02

深度学习修炼（三）卷积操作 | 边界填充、跨步、多输入输出通道、汇聚池化

支撑向量机损失、梯度下降算法通俗理解_Qodi的博客-CSDN博客又讲了基于线性分类器的全连接神经网络深度学习修炼（二）全连接神经网络|Softmax，交叉熵损失函数优化AdaGrad，RMSProp等对抗过拟合全攻
Qodi·2023-09-22 00:13

人脸图像数据增强

数据增强的主要目的是增加模型的泛化能力、提高模型的鲁棒性，并减轻过拟合的风险。以下是进行数据增强的几个重要原因：增加数据样本数量：数据增强可以通过生成变体来增加训练样本的数量。
uncle_ll·2023-09-21 19:11

深度学习修炼（二）全连接神经网络 | Softmax，交叉熵损失函数 优化AdaGrad，RMSProp等 对抗过拟合 全攻略

文章目录1多层感知机（全连接神经网络）1.1表示1.2基本概念1.3必要组成—激活函数1.4网络结构设计2损失函数2.1SOFTMAX操作2.2交叉熵损失函数3优化3.1求导计算过于复杂？3.2链式法则导致的问题？3.3梯度下降算法的改进3.3.1动量法3.3.2自适应梯度方法1AdaGrad2RMSProp3.3.1Adam4.网络信息流通畅，提高训练效率4.1权值初始化Xavier初始化方法H
Qodi·2023-09-21 16:26

深度学习入门---多层感知机，过拟合和欠拟合，梯度消失和梯度爆炸

1.多层感知机多层感知机（MLP，MultilayerPerceptron）也叫人工神经网络（ANN，ArtificialNeuralNetwork），除了输入输出层，它中间可以有多个隐层，最简单的MLP只含一个隐层，即三层的结构，如下图：ImageName激活函数需要具备以下几点性质:1.连续并可导（允许少数点上不可导）的非线性函数。可导的激活函数可以直接利用数值优化的方法来学习网络参数。2.激
一只当归·2023-09-21 11:39

机器学习入门（十五）——决策树（4）

决策树是完全利用现有数据信息的分类拟合，为了避免过拟合、提高模型泛化能力，需要对建立好的树进行剪枝。
yyoung0510·2023-09-21 11:18

神经网络训练防止过拟合和欠拟合的方法

神经网络训练防止过拟合和欠拟合的方法1过拟合的概念2欠拟合的概念3防止过拟合和欠拟合的方法1过拟合的概念如上图所示，模型在训练时表现较好，在验证或测试时，表现较差，即表示过拟合。
知识推荐号·2023-09-20 16:53

TensorFlow-网络优化和超参数选择，Dropout抑制过拟合

PyCharm配置github参考https://blog.csdn.net/sinat_37621394/article/details/80865528推荐一篇文章：https://www.analyticsvidhya.com/blog/2020/02/cnn-vs-rnn-vs-mlp-analyzing-3-types-of-neural-networks-in-deep-learnin
Alex-panda·2023-09-20 12:01

四种抑制过拟合的方法

过拟合指的是只能拟合训练数据，但不能很好地拟合不包含训练数据的其他数据。神经网络要求模型能够具有较高的泛化能力，也就是对不包含训练数据的未观测数据也能进行正确识别。
Answerlzd·2023-09-20 12:28

【深度学习】实验13 使用Dropout抑制过拟合

文章目录使用Dropout抑制过拟合1.环境准备2.导入数据集3.对所有数据的预测3.1数据集3.2构建神经网络3.3训练模型3.4分析模型4.对未见过数据的预测4.1划分数据集4.2构建神经网络4.3
Want595·2023-09-20 12:57

【数据挖掘】第4章 分类：基本概念与技术

分类的基本概念分类任务示例分类的定义：测试集、训练集、预测测试集建立分类模型的一般方法第一步：建立模型步骤一：将样本转化为等维的数据特征步骤二：选择与类别相关的特征步骤三：分别得到训练样本集和测试样本集第二步：用模型进行分类4.2模型过拟合模型过拟合的原因训练数据少模型复杂度高
小手の冰凉·2023-09-20 05:48

神经网络训练技巧

、问题描述二、设计简要描述三、程序清单四、结果分析五、调试报告六、实验小结一、问题描述基于二元函数f(x,y)=z=1/20x2+y2掌握梯度下降和权重初始化的技巧，基于手写体识别掌握正规化和两种防止过拟合的技巧
CSU迦叶·2023-09-19 17:22

pytorch基础（五）- 过拟合、正则化、学习率衰减

目录模型的学习能力modelcapacity欠拟合underfitting过拟合overfittingTrain-Val-Test划分Train-Test划分Train-Val-Test划分交叉验证正则化奥卡姆剃刀原理正则化的作用
sherryhwang·2023-09-19 09:27

Python中进行特征重要性分析的9个常用方法

有些可能是冗余的或不相关的，这会增加建模的复杂性并可能导致过拟合。特征重要性分析可以识别并关注最具
·2023-09-18 16:51

Tensorflow学习笔记（三）

正则化这一课突然间难度直接暴涨，毫无心理准备的我一脸懵逼地听了三遍，还有好多没有理解的地方缓解过拟合，在损失函数中引入模型复杂度指标，利用给w加权值，弱化训练数据的噪声（一般不正则化b）loss新的计算方法
繁盛天地橘·2023-09-18 08:32

李沐机器学习入门

机器学习介绍8.1决策树模型8.2线性模型线性模型做回归线性模型做分类Softmax回归8.3小批量随机梯度下降8.4神经网络多层感知机MLP卷积神经网络循环神经网络总结三种神经网络模型9.评估指标9.1过拟合和
几窗花鸢·2023-09-17 23:30

Python中进行特征重要性分析的9个常用方法

有些可能是冗余的或不相关的，这会增加建模的复杂性并可能导致过拟合。特征重要性分析可以识别并关注最具
deephub·2023-09-17 23:52

np.random.shuffle(a)的作用

这在数据处理、机器学习、统计分析等领域中经常用到，例如在训练模型时对数据进行随机化，以减少模型过拟合等问题。这个函数会修改传入的数组a，而不会创建一个新的数组。
奇异果~·2023-09-17 20:39

机器学习——决策树/随机森林

0、前言：决策树可以做分类也可以做回归，决策树容易过拟合决策树算法的基本原理是依据信息学熵的概念设计的（Logistic回归和贝叶斯是基于概率论），熵最早起源于物理学，在信息学当中表示不确定性的度量，熵值越大表示不确定性越大
疋瓞·2023-09-17 16:02

正则化的一些理解

今天看百面机器学习的书.书上提到改善模型过拟合的一个方法是加正则化项.这句话其实已经不止第一次见了,但是每次都没有想想为什么.现在记录一下自己的理解.为什么会过拟合机器学习的前提条件是训练集和测试集都是独立同分布
miahuang·2023-09-17 12:05

【吴恩达老师《机器学习》】课后习题5之【偏差与方差】

这次练习将会了解如何改进机器学习算法，包括过拟合、欠拟合的状态判断以及学习曲线的绘制。一些概念偏差Bias：预测值与真实值的差距，表示算法本身的拟合能力方差Varia
cx-young·2023-09-17 05:08

机器学习实战-决策树

决策树(DecisionTree)优点：计算复杂度不高对中间缺失值不敏感可以处理不相关数据缺点：容易过拟合决策树算法主要有3个步骤:1.特征选择；2.构造决策树；3.决策树剪枝构造决策树构造过程需要解决以下几个问题
投篮手型差·2023-09-16 21:34

如何为模型不同层设置不同的学习率？

在模型调参中常用的一种方法是针对不同层设置不同的学习率，以此避免因难易程度不一致引起的过拟合等问题。
云隐雾匿·2023-09-16 14:33

数据预处理-分箱（Binning）和 WOE编码

对异常值不敏感，增强模型鲁棒性，防止过拟合。
隔壁偷菜的谁·2023-09-16 06:53

机器学习：10种方法解决模型过拟合

机器学习：10种方法解决模型过拟合本文介绍机器学习/深度学习建模过程防止模型过拟合的10种有效方法：增加训练数据集交叉验证正则化合适的特征选择降低模型复杂度集成方法早停法EarlyStopping数据增强
尤而小屋·2023-09-16 06:20

集成学习-树模型

基本树选择特征的准则ID3：信息增益maxC4.5：信息增益比maxCART：基尼指数min优缺点ID3核心思想是奥卡姆剃刀（决策树小优于大）缺点：ID3没有剪枝策略，容易过拟合；信息增益准则对可取值数目较多的特征有所偏好
坠金·2023-09-16 03:38

AI笔记——深度学习

CNNCNN的价值：能够将⼤数据量的图⽚有效的降维成⼩数据量(并不影响结果)能够保留图⽚的特征，类似⼈类的视觉原理CNN的基本原理：卷积层–主要作⽤是保留图⽚的特征池化层–主要作⽤是把数据降维，可以有效的避免过拟合全连接层
华如锦·2023-09-16 03:23

正则化(Regularization)

一、过拟合的问题到现在为止，我们已经学习了几种不同的学习算法，包括线性回归和逻辑回归，它们能够有效地解决许多问题，但是当将它们应用到某些特定的机器学习应用时，会遇到过拟合(over-fitting)的问题
handsomemao666·2023-09-15 22:39

机器学习（15）---代价函数、损失函数和目标函数详解

代价函数通常包含一些正则化项以防止过拟合。在训练过程中，我们希望最小化代价函数。 2.损失函数：损失函数（LossFunction）是定义在单个样本上的，算的是
冒冒菜菜·2023-09-15 16:43

Tensorflow RNN中使用dropout的一些坑

使用tensorflow中的DropoutWrapper引发的问题最近炼（tiao）丹（can）的时候遇到了RNN模型过拟合比较严重的问题，当时只是在RNN的输入特征加了dropout。
theoqian·2023-09-15 12:26

探索过拟合和欠拟合

探索过拟合和欠拟合与往常一样，此示例中的代码将使用tf.kerasAPI；如需了解详情，请参阅TensorFlowKeras指南。
轻盈飘零·2023-09-15 09:45

过拟合和欠拟合：机器学习模型中的两个重要概念

文章目录引言过拟合和欠拟合的概念过拟合和欠拟合的影响与危害过拟合和欠拟合的原因与解决方法过拟合和欠拟合的研究现状与发展趋势过拟合&欠拟合---案例总结引言在机器学习模型中，过拟合和欠拟合是两种常见的问题
小馒头学python·2023-09-15 07:12

深度学习-全连接神经网络-训练过程-欠拟合、过拟合和Dropout- [北邮鲁鹏]

目录标题机器学习的根本问题过拟合overfitting泛化能力差。
古董a·2023-09-15 07:26

Python用正则化Lasso、岭回归预测房价、随机森林交叉验证鸢尾花数据可视化2案例|数据分享...

p=33632机器学习模型的表现不佳通常是由于过度拟合或欠拟合引起的，我们将重点关注客户经常遇到的过拟合情况（点击文末“阅读原文”获取完整代码数据）。
拓端研究室TRL·2023-09-14 11:26

全面讲解最小二乘法

正则化的最小二乘法在使用常见的最小二乘法进行回归分析时，常常会遇到过拟合的问题，也就是在训练数据集上表现的很好，但是在测试数据集上表现的很差。这时候就需要将最小二乘法中引入一个正则化项。
啵啵鱼爱吃小猫咪·2023-09-14 08:50

残差网络、Dropout正则化、Batch Normalization浅了解

残差网络：为什么需要残差网络：残差网络的目的是为了解决深度神经网络在训练过程中遇到的退化问题，即随着网络层数的增加，训练集的误差反而增大，而不是过拟合。
请让我按时毕业·2023-09-14 02:34

task3 数据的特征工程

针对xgb等模型的理解lightgbm,xgboost,gbdt的区别与联系LR和树模型基础概念决策树、逻辑回归、线性回归使用时注意事项以及模型过拟合策略个人的理解是，这些模型大致分为两类，一类是线性模型
欧飞红·2023-09-14 01:45

多模态训练如何平衡不同模态

背景我们在进行多模态训练时，会出现模态不平衡的问题，往往使用了文本预训练模型的文本模态由于大量的预训练会容易出现过拟合现象，在文本模态过拟合的时候，视觉模态还处在欠拟合状态，则会导致视觉模态无法训练到最佳状态
taoqick·2023-09-13 12:32

燕山大学机器学习复习提要

分两道大题20分以下是回忆的题型时间太久了，只能回忆大概有什么，细节忘了填空题时间太久了忘了有什么了简答涉及的知识点大概有：数据清洗SVM准确率精确率召回率PR曲线K-meansBP神经网络训练集测试集验证集过拟合欠拟合卷积神经网络大题只记得考了一个读代码的题
不会挂科i·2023-09-13 11:30

样本量极少如何机器学习？看看这篇Few-Shot Learning综述

在训练样本极少的情况下（几百个、几十个甚至几个样本），现有的机器学习和深度学习模型普遍无法取得良好的样本外表现，用小样本训练的模型很容易陷入对小样本的过拟合以及对目标任务的欠拟合。
人工智能与算法学习·2023-09-13 06:17

机器学习 同样数量样本和目标_样本量极少如何机器学习？Few-Shot Learning概述

在训练样本极少的情况下（几百个、几十个甚至几个样本），现有的机器学习和深度学习模型普遍无法取得良好的样本外表现，用小样本训练的模型很容易陷入对小样本的过拟合以及对目标任务的欠拟合。
士节·2023-09-13 06:17

《动手学深度学习 Pytorch版》 4.4 模型选择、欠拟合和过拟合

4.4.3欠拟合还是过拟合整节理论，详见书本。
AncilunKiang·2023-09-13 06:15
上一页 10 11 12 13 14 15 16 17 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他