过拟合

【深度学习基础】正则化

2.为什么$L2$正则化可以防止过拟合？3.$L2$参数的选择4.$L1$和$L2$正则有什么区别？总结随机失活正则化（Dropout）反向随机失活（inve
two_star·2022-12-02 01:13

机器学习和深度学习中的正则化

正则化是在机器学习和深度学习中作为一种抑制过拟合的比较有效的手段之一，好的算法应该具有良好的泛化能力，即不仅要在训练集数据上表现良好，推广到未知的测试数据时，也能有良好的表现。
人如墨·2022-12-02 01:43

深度学习:正则化方法

在机器学习中，正则化是非常重要且非常有效的减少泛化误差的技术，特别是在深度学习模型中，由于其模型参数非常多且易产生过拟合。
lliming2006·2022-12-02 01:42

深度学习基础之正则化

参数正则化（岭回归Ridge）2、L1参数正则化（Lasso）二、L1，L2的总结1、L1，L2正则化的选择2、总结概述1、正则化的定义**正则化技术广泛应用在机器学习和深度学习算法中，本质作用是防止过拟合
陈小虾·2022-12-02 01:10

[深度学习基础]正则化

正则化是深度学习神经网络模型在训练过程当中常用的一种手段，使用正则化处理的主要目的是给网络的损失函数加以限制，防止其在训练过程当中“失控”；其次，是为了通过降低模型的复杂度，降低模型对于数据的依赖程度，防止出现过拟合现象
哒哒朔·2022-12-02 01:06

吴恩达机器学习笔记2

正则化：过拟合解决方法：1.丢弃一些不能帮助我们正确预测的特征。可以是手工选择保留哪些特征，或者使用一些模型选择的算法来帮忙（例如PCA）2.正则化。保留所有的特征，但是减少参数的大小。
m0_74248994·2022-12-02 00:56

机器学习-决策树（预剪枝和后剪枝）

剪枝的意义剪枝是决策树解决过拟合问题的方法。
孤グ寞·2022-12-01 23:25

机器学习复习

的联系区别朴素贝叶斯逻辑回归和线性回归KNNKD树决策树随机森林GBDTShrinkage最小二乘法和随机森林的区别EMBaggingBoosting凸集凸函数daBoost分类回归的区别生成模型和判别模型的区别过拟合
Annntn·2022-12-01 23:21

算法笔记（8）-决策树算法及Python代码实现

决策树优点(1)可以将模型进行可视化(2)决策树对每个样本特征进行单独处理，不需要对数据进行转换决策树缺点(1)会出现过拟合问题决策树算法Python代码实现clf3=tree.DecisionTreeClassifier
编程研究坊·2022-12-01 21:13

lasso特征选择python_[机器学习] 特征选择简明指南

而特征工程又至少占据了数据预处理的半壁江山，在实际的数据工程工作中，无论是出于解释数据或是防止过拟合的目的，特征选择都是很常见的工作。
丧心病狂刘老湿·2022-12-01 20:21

机器学习之线性回归原理

机器学习之线性回归原理1线性回归简介2损失函数3两种求解方法①标准方程法②梯度下降法③求解方法的选择4正则化减轻过拟合①Lasso（L1正则）②Ridge（L2正则）③Elastic-net（L1与L2
喽哥·2022-12-01 19:21

【机器学习】xgboost系列丨xgboost原理及公式推导

为防止过拟合，XGB做了哪些改进树的集成本文主要针对xgboost的论文原文中的公式细节做了详细的推导，对建树过程进行详细分析。对于样本个数为n特征个数为m的数据集，其中。
风度78·2022-12-01 16:51

【日常分享】正则化（regularization）与归一化（normalization）

正则化（regularization）正则化是指为解决适定性问题或过拟合而加入额外信息的过程。在
杨小浩浩hh·2022-12-01 14:29

[总结] 半监督学习方法: 一致性正则化(Consistency Regularization)

许多机器学习方法中,尤其是深度学习中的神经网络,都存在几个问题:模型容易过拟合.模型在受到微小扰动(噪声)后,预测结果会受相当程度的影响.为了减少过拟合现象,典型的监督学习中会添加一个新的损失项.在半监督学习中
码侯烧酒·2022-12-01 14:26

Xgboost代码实现详解

目录XGBOOST原理回顾数据探索数据预处理构建简单的XGBoost模型Xgboost参数XGBoost参数调节Step1:学习率与树个数Step2:树的深度与节点权重Step3:调节gamma去降低过拟合风险
wamg潇潇·2022-12-01 13:23

XGBoost Stopping to Avoid Overfitting(early_stopping_rounds )

rom：http://blog.csdn.net/lujiandong1/article/details/52777168XGBoost模型和其他模型一样，如果迭代次数过多，也会进入过拟合。
qq_30868235·2022-12-01 13:23

山东大学 机器学习 决策树实验

并观测训所得到的决策树在训练集和测试集的准确率，从而判断该决策树是否存在过拟合。在此基础上实现预剪枝和后剪枝，并比较预剪枝树与后剪枝树在训练集和测试集上的准确率。
山东大学-苏苏·2022-12-01 11:44

经典卷积神经网络学习笔记

、卷积神经网络4.1卷积神经网络（上）为什么使用卷积神经网络一般的深度全连接神经网络，在较高分辨率的图像情况下，特征向量维度很大，导致每一个全连接层计算的权值数量是非常多的，如果数据不够，很容易训练出过拟合的情况
introversi0n·2022-12-01 09:52

神经网络三个部分的优化

第三章、网络优化3.1输入端优化1：数据增强&归一化数据增强数据增强是和迁移学习一样，解决数据不足的手段数据增强的优点：模型性能得到提升增加训练样本的多样性，避免过拟合数据增强的方式：翻转：水平翻转、垂直翻转旋转
introversi0n·2022-12-01 09:21

提升深度学习模型的表现，你需要这20个技巧

是一位职业软件开发者，没有博士学位的他通过「从应用中学习」的方法自学了机器学习，他表示对帮助职业开发者应用机器学习来解决复杂问题很有热情，也为机器学习社区贡献了很多实用的建议和指南，本文所讲解的是「能帮助你对抗过拟合以及
chvalrous·2022-12-01 09:51

从模型容量的视角看监督学习

这几天看离线强化学习瞎想的，不一定正确，仅记录个人想法文章目录1.监督学习的本质2.容量视角下的模型选择、正则化和归纳偏置3.几点启发1.监督学习的本质我认为监督学习的本质在于在过拟合和欠拟合之间取得平衡
云端FFF·2022-12-01 09:18

【2022吴恩达机器学习】神经网络week3

模型选择：发现d=5时，j最低，但可能会导致过拟合。问题是d=5时，Jte
lucky_08·2022-12-01 07:02

【读书笔记】《深度学习入门——基于python的理论与实现》

笔记结构索引提高学习效果tips参数optimizers:寻找最优权重参数最优化方法权重参数初始值设定超参数过拟合函数激活函数输出层函数损失函数im2col函数层Affine层Softmax-with-loss
changreal·2022-12-01 04:57

【机器学习】推荐系统、机器学习面试题整理

3、过拟合与欠拟合过拟合over-fitting欠拟合under-fitting如何判断过拟合还是欠拟合如何防止过拟合如何解决欠拟合4、梯度与学习率什么是梯度？
长相忆兮长相忆·2022-12-01 02:40

深度学习调参技巧总结

深度学习调优总结寻找合适的学习率权重初始化Dropout数据集处理难例挖掘多模型融合差分学习率与迁移学习尝试过拟合一个小的数据集多尺度训练CrossValidation交叉验证优化算法训练技巧训练过程的效果较好
RyanC3·2022-12-01 01:32

神经网络拟合能力的提升之路（Pyhton）

过拟合及泛化能力方面下期文章会专题讨论。原理上讲，神经网络模型的训练过程其实就是拟合一个数据分布（x）可以映射到输出（y）的数学函数f(x)，而拟合效果的好坏取决于数据及模型。
算法进阶·2022-12-01 01:01

神经网络拟合函数表达式,神经网络拟合效果不好

神经网络,什么过拟合?,什么是欠拟合?欠拟合是指模型不能在训练集上获得足够低的误差。而过拟合是指训练误差和测试误差之间的差距太大。考虑过多，超出自变量的一般含义维度，过多考虑噪声，会造成过拟合。
普通网友·2022-12-01 00:53

[人工智能-深度学习-19]：神经网络基础 - 模型训练 - 泛化、过拟合、欠拟合以及常见的解决办法

HiWangWenBing/article/details/120591865目录第1章学习效果评估标准与学习效果状态1.1概述1.2泛化能力1.3学习训练后的三种状态第2章泛化能力差的解决办法2.1欠拟合的解决办法2.2过拟合的解决办法第
文火冰糖的硅基工坊·2022-12-01 00:52

深度学习：调參策略与技巧

深度学习：调參策略与技巧调试深度学习模型的5个步骤：超参数欠拟合过拟合参考文献调试深度学习模型的5个步骤：从最简单模型入手；成功搭建模型，重现结果；分解偏差各项，逐步拟合数据；用由粗到细随机搜索优化超参数
Marcos_ZJU·2022-12-01 00:21

文本分类模型(一)——RCNN

TextRepresentationLearning3.3反向传播四、RCNN处理文本分类4.1在RNN模型的基础上修改实现RCNN的文本二分类4.2RCNN文本多分类并利用TensorBoard可视化4.3模型过拟合的
Storm*Rage·2022-12-01 00:00

机器学习-使用朴素贝叶斯过滤垃圾邮件

贝叶斯方法的特点是结合先验概率和后验概率，即避免了只使用先验概率的主观偏见，也避免了单独使用样本信息的过拟合现象。
chenlh12333·2022-12-01 00:24

pytorch学习笔记——3.4防止过拟合的办法

前言：过拟合是由于模型过于精确的匹配了特定的训练数据集，导致模型不能良好的拟合其他数据或预测未来的结果，我们可以通过一些手段来防止过拟合。
学不来我就死·2022-11-30 22:45

机器学习-分类-k近邻与决策树

有以下几点需要说明：（1）k的选取k过小意味着整体模型会变得复杂，容易发生过拟合；k过大会导致与输入实例较远的样本也会起到预测作用，使得预测错误的概率增加。通常采用交叉验证的方法
Caspian�·2022-11-30 22:54

隐藏层单元数目确定

1.确定隐藏层的层数对于一些很简单的数据集，一层甚至两层隐藏元都已经够了，隐藏层的层数不一定设置的越好，过多的隐藏层可能会导致数据过拟合。对于自然语言处理以及CV领域，则建议增加网络层数。
沉梦昂志的小粉丝·2022-11-30 21:38

BP神经网络隐层节点的个数设置方法

对于神经网络来说，隐节点个数太少，无法拟合到复杂的关系，隐节点过多，又会导致过拟合。一般来说，要设几个隐节点，我们并没有什么明确的方法，但有指
老饼讲解-BP神经网络·2022-11-30 21:35

神经网络中如何确定隐藏层的层数和大小

在此之前我们还需要理解一点，就是当我们神经元足够多，隐藏层足够多的时候我们甚至能完美拟合所有的点，但是也会带来过拟合的问题。因此我们要把握一个适中的度。二分类问题方法出自：Begi
LolitaAnn·2022-11-30 21:32

第四章 决策树

4.1基本流程4.2划分选择4.3剪枝处理预剪枝vs.后剪枝1.时间开销：预剪枝：训练时间开销降低，测试时间开销降低后剪枝：训练时间开销增加，测试时间开销降低2.过／欠拟合风险：预剪枝：过拟合风险降低，
如鹤_搏鹰·2022-11-30 20:46

sklearn机器学习——day18

XGBoost应用过拟合：剪枝参数与回归模型调参classxgboost.XGBRegressor(max_depth=3,learning_rate=0.1,n_estimators=100,silent
非畅6 1·2022-11-30 19:11

机器学习笔记（四）决策树剪枝

决策树过于庞大，有可能出现过拟合的情况，决策树越复杂，过拟合的程度会越高。所以，为了避免过拟合，咱们需要对决
Shonllow·2022-11-30 19:42

tomato学习笔记-dvector和其他基础

目录简介Pytorch基础学习过拟合和欠拟合的问题梯度消失和梯度爆炸d-vector实例总结1.简介开始写文章来记录以下我的声纹学习经历和记录。
GitTomato·2022-11-30 19:11

【图神经网络论文整理】（九）—— DeeperGCN: All You Need to Train Deeper GCNs

为了防止GCN梯度消失、过度平滑和过拟合等问题，能
咕 嘟·2022-11-30 18:02

机器学习-预剪枝和后剪枝

一棵完全生长的决策树会面临一个很严重的问题，即过拟合。当模型过拟合进行预测时，在测试集上的效果将会很差。因此我们需要对决策树进行剪枝，剪掉一些枝叶，提升模型的泛化能力。
wuguanfengyue-·2022-11-30 14:40

【第三章】机器学习（3）

3.4过拟合问题过拟合是指为了得到一致假设而使假设变得过度严格。
Beixun_Qili·2022-11-30 14:30

【Tensorflow】深度学习实战03——Tensorflow实现AlexNet

blog.csdn.net/u013921430转载请注明出处】前言前两篇博文中分别利用卷积神经网络识别手写数字和对CIFAR-10数据集分类，在这两次的学习中，了解了神经网络的基本组成以及一些防止网络过拟合
不用先生·2022-11-30 13:30

深度学习必会10题

1.0-1损失函数：2.Hingeloss：：三、训练中出现过拟合的原因？深度学习里的正则方法有哪些/如何防止过拟合？四、l1、l2原理？
深海的yu·2022-11-30 11:56

基于朴素贝叶斯模式识别系统的设计与实现

朴素贝叶斯算法结合先验概率与后验概率，避免了先验概率的主观性和单独使用样本信息的过拟合现象，并且保持目标值属性之间相互条件独立。朴素贝叶斯简化了贝叶斯算法，具有较好的分类效果，同时在实际
李逍遥敲代码·2022-11-30 11:37

深度学习从入门到精通——统计学习方法概论

策略损失函数与风险函数常用损失函数ERM与SRM算法模型评估与模型选择过拟合与模型选择正则化与交叉验证泛化能力生成模型与判别模型生成方法判别方法分类问题、标注问题、回归问题前言章节目录统计学习监督学习基本概念问题的形式化统计学习三要素模型策略算法模型评估与模型选择训练误差与测试误差过拟合
小陈phd·2022-11-30 10:52

防止过拟合现象产生的常见方法

过拟合定义：过拟合是指过于精准地匹配了特定数据集，导致模型不能良好地拟合其他数据或预测未来的观察结果。
李卓璐·2022-11-30 10:08

Keras深度学习记录3——深度学习工作流程

评估深度学习模型2.1训练集、验证集和测试集2.1.1简单的留出验证三、数据预处理、特征工程和特征学习3.1神经网络的数据预处理3.1.1向量化3.1.2值标准化3.1.3处理缺失值3.2特征工程四、过拟合与欠拟合通过前两个实例
五颗粒粒·2022-11-30 08:09

决策树——预剪枝和后剪枝

“剪枝”是决策树学习算法对付“过拟合”的主要手段可通过“剪枝”来一定程度避免因决策分支过多，以致于把训练集自身的一些特点当做所有数据都具有的一般性质而导致的过拟合剪枝的基本策略预剪枝通过提前停止树的构建而对树剪枝
铜制匠·2022-11-30 08:47
上一页 43 44 45 46 47 48 49 50 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他