过拟合

python基于深度学习的水果识别系统

同时在验证集上进行验证，防止过拟合。接口调用：使用
沐知全栈开发·2023-06-11 02:11

数据缺失情况下的参数估计

通常会添加正则化或进行特征降维或进行参数共享/平滑来防止过拟合。本章讨论的是在样本点的某些特征丢失的情况下如何进行分类的问题。
ABadCandy·2023-06-11 00:47

一文搞懂激活函数(Sigmoid/ReLU/LeakyReLU/PReLU/ELU)

非正态分布可能导致算法过拟合。另外，训练过程中，面对不同的数据batch时，神经网络每一层的各
深度物联网·2023-06-10 23:52

正则化，归一化，标准化的区别与联系

正则化的目的是为了防止过拟合。文中涉及代码下载参考[5]。一.标准化1.标准化方程最常用
晓柒NLP与药物设计·2023-06-10 20:51

对于svm的一些理解

1）感知机追求最大程度正确划分，最小化错误，效果类似紫线，很容易造成过拟合。2）支持向量机追求在大致正确分类的同时，最大化margin，
ghostdogss·2023-06-10 18:52

机器学习复习（上）

1.解释什么是过拟合和欠拟合，如何降低过拟合?过拟合（overfitting）指的是一个模型在训练数据上表现很好，但在测试数据上表现不佳的现象。
isxhyeah·2023-06-10 16:48

深度学习技巧应用19-可视化的模型训练功能TensorBoard的使用，也能在pytorch框架下实现

当今深度学习技术的飞速发展使得模型训练变得更加复杂，工程师需要具备更高的技术能力去把控模型，TensorBoard便是一款优秀的可视化工具，它可以直观地展现模型训练过程中的各种参数变化情况，防止模型训练出现过拟合和欠拟合情况等
微学AI·2023-06-10 13:17

过拟合和欠拟合

underfitting-and-overfitting结论Overfitting:capturingspuriouspatternsthatwon'trecurinthefuture,leadingtolessaccuratepredictions,过拟合
pokopiko·2023-06-10 10:30

6. 神经网络

就会出现过拟合、计算量大的问题。以识别一张图片是否为汽车为例子：对于识别图像中的一个门把手，对于我们人来说一下子就能看出来，但是对于计算机则是要通过一个像素亮点矩阵来告诉
秃头少女Emily·2023-06-10 09:32

【python】数据挖掘分析清洗——特征选择筛选(降维)方法汇总

特征降维可以帮助我们减少数据量和计算复杂度，并且可以避免过拟合等问题。数据如下图所示一、PCA降维技术PCA（PrincipalCom
blankxxc·2023-06-10 08:43

【论文阅读】ControlNet

简介目标：加入额外的条件（例如边缘图像，深度图像）控制生成的图像现有挑战特定领域上的数据较少，而预训练模型很大，很容易出现过拟合的情况。
hei_hei_hei_·2023-06-10 05:23

【机器学习】浅析过拟合

这种情况被称为过拟合。上面从感性的方面感受了下过拟合的情况，接下来我们系统分析过拟合的情况。还是以我们经典的通过房屋大小预测房价走向的问题，假设有以下
NormalConfidence_Man·2023-06-09 16:38

【机器学习】正则化详解和过拟合的解决

https://blog.csdn.net/weixin_45434953/article/details/130970273上一篇文章的例子中，如果使用一个四次多项式去拟合房价函数，会导致过拟合问题而正则化是解决过拟合的一个方法
NormalConfidence_Man·2023-06-09 16:38

2020-10-27

可能猜测如下：1.其中有几行几乎95的数据都为1，在本题中是一个isDefault的强相关特征2.某几行数据可能具有关联，删除之后这种关联消失了，导致了结果的下降3.数据变少了，可能发生过拟合？
MIALOVE·2023-06-09 12:58

搭建KerasLSTM模型，包括数据处理和过拟合处理

一个完整的KerasLSTM模型的搭建过程，包括前期数据处理和过拟合处理：数据准备首先，需要准备好数据。
上林苑·2023-06-09 09:25

经典神经网络(5)GoogLeNet及其在Fashion-MNIST数据集上的应用

这使得网络越来越复杂，参数越来越多，从而导致网络容易出现过拟合，增加计算量。而Inception网络考虑的是多种卷积核的并行计算，扩展了
undo_try·2023-06-08 22:42

YOLOv5结合BiFPN：BiFPN网络结构调整，BiFPN训练模型训练技巧

1、堆叠BiFPN2、调整网络深度3、调整BiFPN的参数二、训练技巧和注意事项1、数据增强2、学习率调度3、优化器选择4、权重初始化5、模型选择6、Batchsize的选择7、模型保存和加载8、注意过拟合和欠拟合问题三
哪 吒·2023-06-08 22:10

深度学习02-神经网络(MLP多层感知器)

文章目录神经网络简介学习路径分类多层感知器（MLP）神经网络认识两层神经网络输入层从输入层到隐藏层从隐藏层到输出层激活层输出的正规化如何衡量输出的好坏反向传播与参数优化过拟合BP算法推导定义算法讲解前向传播反向传播具体实例
liaomin416100569·2023-06-08 19:50

python 面试常考题

一、深度学习中的正则化方法和作用：正则化方法是一种常见的防止过拟合的技术，它的作用是限制模型的复杂度，以防止模型在训练期间过度适应训练数据，从而导致在测试数据上性能下降。
医学小达人·2023-06-08 05:32

精通数据科学笔记 深度学习

ANN,CNN,RNN,LSTM,VAE,GAN利用神经网络(ANN)识别数字MNIST图集：0~9的手写数字图片，包含60000张训练图片和10000张测试图片，存储格式特殊，需要专门的程序解析防止过拟合的惩罚项
techfei·2023-06-08 02:17

改善深层神经网络：超参数调试、正则化以及优化 笔记

下面是笔记的索引：第一周：深度学习的实用层面1.1训练/开发/测试集1.2偏差/方差1.3机器学习基础1.4正则化1.5为什么正则化可以减少过拟合1.6dropout正则化1.7理
weixin_30650039·2023-06-07 13:04

系统学习CV-lesson8-分类网络

系统学习CV-lesson8-分类网络AlexNetVGGInception/googleNetImageNetAlexNet加速训练使用非饱神经元(与梯度消失有关)和高效的GPU实现防止过拟合使用dropout
aoaoGofei·2023-06-07 01:42

论文阅读：An Efficient Video Coding System with An Adaptive Overfitted Multi-Scale Attention Network

在在编码器端，MSAN自适应地调整网络大小，并以过拟合的方式针对一组帧进行训练。仅使用当前的编码视频流作为训练集，MSAN即可轻松获得强大的恢复功能。
青吟乐·2023-04-21 21:16

【22-23 春学期】AI作业2-监督学习

结构风险最小化：结构风险最小化是在训练数据集上最小化模型的结构风险，也就是使用限制条件来防止模型过拟合的情况。
是锦鲤本臾了!·2023-04-21 20:59

回归算法对比

岭回归算法流程平方误差矩阵形式对A求导：最小二乘法由于样本数量n约等于特征数量p时，易过拟合。岭回归在平房误差基础上增加正则项，通过确定的值来平衡偏差和方差。
Mr_Stark的小提莫·2023-04-21 10:39

python 随机森林_利用随机森林来进行特征选择（Python代码实现）

当数据集的特征过多时，容易产生过拟合，可以用随机森林来在训练之后可以产生一个各个特征重要性的数据集，利用这个数据集，确定一个阈值，选出来对模型训练帮助最大的一些特征，筛选出重要变量后可以再训练模型；本文所用数据集是从
weixin_39604516·2023-04-21 06:12

XGboost和GBDT的异同

正则化：XGBoost显式地加入了正则项来控制模型的复杂度，能有效防止过拟合列采样：XGBoost采用了随机森林中的做法，每次节点分裂前进行列随机采样。缺失值处理：XGBo
熊猫姐姐90·2023-04-21 06:59

XGboost原理

xgboost利用了损失函数二阶的导数信息，并且在目标函数之外加入了正则项，避免过拟合。
熊猫姐姐90·2023-04-21 06:58

dropout | 深度学习

1、原理深度神经网络训练过程中，随机删除一些神经元（或节点）服务阶段（让神经元以一定概率p停止工作），每个神经元的权重要乘p，以减少网络的复杂度和过拟合的风险。
小云从0学算法·2023-04-21 03:07

神经网络过拟合的处理

神经网络过拟合的处理文章目录神经网络过拟合的处理权值衰减Dropout（暂退法）权值衰减对于某一个线性函数f(x)=WTXf(x)=W^TXf(x)=WTX的损失函数L(W,b)=1n∑i=1n(WTX
Gowi_fly·2023-04-21 00:45

Python-L1和L2正则化

1.L1和L2正则化L1正则化和L2正则化是在神经网络中常用的两种正则化技术，用于对权重参数进行惩罚，以减小过拟合现象。
天寒心亦热·2023-04-20 21:45

「动手学深度学习」过拟合、欠拟合及其解决方案

主要内容过拟合、欠拟合的概念权重衰减丢弃法模型选择、过拟合和欠拟合训练误差和泛化误差在解释上述现象之前，我们需要区分训练误差（trainingerror）和泛化误差（generalizationerror
icebearC·2023-04-20 12:55

机器学习 -- 过拟合与欠拟合以及应对过拟合的方法 神经网络中的超参数如何选择

前言在学习机器学习的过程中，训练模型时常遇到的问题就是模型的过拟合和欠拟合，下文我将解释过拟合和欠拟合的概念，并且学习应对过拟合以及神经网络中的超参数如何选择的方法。
冲鸭嘟嘟可·2023-04-20 12:48

第二章 模型评估与选择

经验误差与过拟合首先在分类机器学习中，引入了两个概念，错误率：分类错误的样本数占总样本数的比例。其表达式为：。其中a为分类错误样本数，m为总样本数。
康君爱上了蕊酱·2023-04-20 10:29

6.深度学习之模型选择、欠拟合和过拟合

6.1训练误差和泛化误差训练误差（trainingerror）指模型在训练数据集上表现出的误差泛化误差（generalizationerror）指模型在任意一个测试数据样本上表现出的误差的期望，并常常通过测试数据集上的误差来近似。计算训练误差和泛化误差可以使用损失函数例如线性回归用到的平方损失函数和softmax回归用到的交叉熵损失函数。6.2模型选择模型选择需要评估若干候选模型的表现并从中选择模
大勇若怯任卷舒·2023-04-20 00:22

『OPEN3D』1.4 点云表面重建

1Alphashapesreconstruction2Ballpivotingreconstruction3poissonsurfacereconstruction1点云法线一致性估计在点云处理的章节中已经介绍使用estimate_normals来生成点云的发现信息，但该方法通过拟合局部
NNNNNathan·2023-04-19 18:06

解决神经网络过拟合问题—Dropout方法、python实现

解决神经网络过拟合问题—Dropout方法一、whatisDropout？如何实现？二、使用和不使用Dropout的训练结果对比一、whatisDropout？如何实现？
算法技术博客·2023-04-19 18:29

关于神经网络权重初始值的设置的研究

关于神经网络权重初始值的设置的研究一、权重初始值二、权重初始值会影响隐藏层的激活值分布三、Xavier初始值四、He初始值五、基于MNIST数据集的权重初始值的比较一、权重初始值权值衰减—抑制过拟合、提高泛化能力
算法技术博客·2023-04-19 18:58

使用权值衰减算法解决神经网络过拟合问题、python实现

使用权值衰减算法解决神经网络过拟合问题、python实现一、whatis过拟合二、过拟合原因三、权值衰减四、实验验证4.1制造过拟合现象4.2使用权值衰减抑制过拟合一、whatis过拟合过拟合指只能拟合训练数据
算法技术博客·2023-04-19 18:58

一文弄清-BP的过拟合与validationCheck

本站原创文章，转载请说明来自《老饼讲解-BP神经网络》bp.bbbdata.comBP神经网络的训练经常会遇到过拟合的情况，导致模型在训练效果上很好但预测效果差正因如此，matlab工具箱引入validationCheck
老饼讲解-BP神经网络·2023-04-19 18:53

机器学习系列（二十四）——交叉验证与偏方差权衡

交叉验证CrossValidation前面我们学习了可以用测试数据集修正模型的过拟合现象，但是这样做其实是有一点问题的。
Ice_spring·2023-04-19 09:12

神经网络调参：loss震荡过于明显/loss剧烈抖动

无过拟合是否找到合适的loss函数：在深度学习里面，不同的loss针对的任务是有不同的，有些loss函数比较通用例如L1/L2等，而如perceptualloss则比较适合在图像
全员鳄鱼·2023-04-19 08:52

第二章 模型评估与选择

1.误差、欠拟合与过拟合在训练过程中，每一次训练并测试时都会发现有部分样本识别错误。我们把识别错误样本占总数的比例称为错误率，定义错误率，其中a为错误样本数，m为样本总数。与其对应的则称为精度。
犁笔骢霞·2023-04-19 08:43

Batch Normalization与Layer Normalization的对比

1.原理2.BN层的作用2.1加快网络的训练和收敛的速度2.2控制梯度爆炸防止梯度消失2.3防止过拟合为什么BN层一般用在线性层和卷积层后面，而不是放在非线性单元后？
ywm_up·2023-04-19 04:48

学习曲线和验证曲线

学习曲线和验证曲线文章目录学习曲线和验证曲线学习曲线验证曲线误差曲线偏差、方差与模型复杂度的关系学习曲线学习曲线是在训练集大小不同时，通过绘制模型训练集和交叉验证集上的准确率来观察模型在新数据上的表现，进而判断模型的方差或偏差是否过高，以及增大训练集是否可以减小过拟合
迷路爸爸180·2023-04-19 03:09

whisper

作者觉得微调是一个比较复杂的过程，而且微调的时候，很容易对特定的数据集过拟合，使得模型的泛化能力不
ctrlcvKing·2023-04-18 22:40

【一起啃书】机器学习西瓜书白话解读——02模型评估与选择（2.1-2.2）

第2章模型评估与选择模型评估与选择（0201）2.1经验误差与过拟合（0202）2.2评估方法【训练集验证集与测试集】（0203测试集分割流出法）2.2.1留出法（hold-out）2.2.2交叉验证法
苏打饼干没加心·2023-04-18 17:46

决策树（下）

剪枝处理1.预剪枝2.后剪枝二、连续值与缺失值的处理1.连续值的处理2.缺失值的处理总结参考一、剪枝处理在机器学习中，经常会利用训练集去训练模型来应对未知的实例，但是在模型的训练过程中每个人都会遇到“过拟合
向、向向日葵·2023-04-18 17:45

机器学习---集成学习报告

这种方法可以减少过拟合、提高泛化能力，并在很多情况下，显著提高预测性能。集成学习的主要原理包括：多样性（Diversity）：基学习器应该在某种程度上具有差异，从而降低
末世灯光·2023-04-18 16:16

机器学习——L1范数充当正则项，让模型获得稀疏解，解决过拟合问题

问：使用L2范数正则项比L1范数正则项得到的是更为稀疏的解。答：错误，L1范数正则项得到的是更稀疏的解。因为在L1正则项中，惩罚项是每个参数绝对值之和；而在L2正则项中，惩罚项是每个参数平方的和。L1正则项可以压缩参数中的小值，更容易导致一些参数被压缩到零。采用L1正则化，最优解为0的概率极大增加，这使得得到的解更可能是稀疏的。为了理解l1范数的正则项和稀疏性之间的关系，我们可以想想下面三个问题:
肉肉肉肉肉肉~丸子·2023-04-18 08:42
上一页 17 18 19 20 21 22 23 24 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他