overfitting

神经网络九：Regularization（正则化）与Dropout

正则化是用来降低overfitting（过拟合）的，减少过拟合的的其他方法有：增加训练集数
Bixiwen_liu·2016-11-01 19:06

关于神经网络中过拟合的问题

首先看一下overfitting维基百科上的一些信息：Overfittingoccurswhenamodelisexcessivelycomplex,suchashavingtoomanyparametersrelativetothenumbe
小白菜018·2016-09-23 16:31

Some Tips/Tricks in Machine Learning

这篇不算是基础系列,只是在网上看见别人写的,感觉很不错,翻译的别人的英文原文链接:原文数据集扩充对于深度的NN来说,数据集过小会很容易造成Overfitting,扩充数据集的方法通常有以下几种:horizontallyflippingrandomcropscolorjittering
GavinZhou_xd·2016-09-19 22:55

Some Tips/Tricks in Machine Learning

这篇不算是基础系列,只是在网上看见别人写的,感觉很不错,翻译的别人的英文原文链接:原文数据集扩充对于深度的NN来说,数据集过小会很容易造成Overfitting,扩充数据集的方法通常有以下几种:horizontallyflippingrandomcropscolorjittering
GavinZhou_xd·2016-09-19 22:55

Bagging（Bootstrap aggregating）、随机森林（random forests）、AdaBoost

Baggingbagging能提升机器学习算法的稳定性和准确性，它可以减少模型的方差从而避免overfitting
xlinsist·2016-05-23 23:00

机器学习中正则化方法简介：L1和L2正则化(regularization)、数据集扩增、dropout

正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。
suibianshen2012·2016-05-11 10:00

机器学习笔记05：正则化(Regularization)、过拟合(Overfitting)

说明：文章中的所有图片均属于Stanford机器学习课程（一）过拟合问题(TheProblemofOverfitting)不管是在线性回归还是在逻辑回归中，我们都会遇到过拟合的问题。先从例子来看看什么是过拟合。i.线性回归中的过拟合还是以房价预测为例，来看几张张图片：1.欠拟合（Underfitting）上图中，我们用一条直线hθ(x)=θ0+θ1x来拟合训练集中数据，但是明显何以看出的是，房价不
Artprog·2016-04-30 20:58

机器学习笔记05：正则化(Regularization)、过拟合(Overfitting)

说明：文章中的所有图片均属于Stanford机器学习课程（一）过拟合问题(TheProblemofOverfitting)不管是在线性回归还是在逻辑回归中，我们都会遇到过拟合的问题。先从例子来看看什么是过拟合。i.线性回归中的过拟合还是以房价预测为例，来看几张张图片：1.欠拟合（Underfitting）上图中，我们用一条直线hθ(x)=θ0+θ1x来拟合训练集中数据，但是明显何以看出的是，房价不
Artprog·2016-04-30 20:00

【Stanford机器学习笔记】4-Regularization for Solving the Problem of Overfitting

前面讲了机器学习的两种应用：回归和分类。两种主要模型：线性回归模型和逻辑回归模型。为了使训练出来的机器学习模型具有普遍的泛化能力，需要对模型进行优化，例如欠拟合和过拟合问题，正则化算法正是用于解决机器学习算法中的拟合问题。1.TheproblemofUnderfittingandOverfitting（1）线性回归和逻辑回归均存在过度拟合和欠拟合的问题过度拟合的问题是，如果我们有很多特征变量，则训
iFun0·2016-04-30 16:02

TensorFlow人工智能引擎入门教程之七 DNN深度神经网络 的原理 以及 使用

就是把原有的多层神经网络扩展到深度学习里面，加上了BP反馈，是的整理上loss收敛直至不变，同时也有dropout前面有很多这个词出现，dropout是指随机用一定概率把一些节点失效，进行参与训练放置数据整理上陷入overfitting
zhuyuping·2016-04-21 21:00

正则化方法/防止过拟合提高泛化能力的方法：L1和L2 regularization、数据集扩增、dropout

（本文会不断补充）正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合
beihangzxm123·2016-04-21 15:29

正则化方法/防止过拟合提高泛化能力的方法：L1和L2 regularization、数据集扩增、dropout

（本文会不断补充）   正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（
qq_26898461·2016-04-21 15:00

训练过程中的Overfitting问题

PreventingoverfittingEarlystoppingWeightdecayTrainingwithnoise因此，防止过拟合的常用方法有三种：第一，提前阻止。通过增加评估数据集，及时调整训练过程中的权重w，使得costfunction以最快的速度下降；第二，权重衰减法。这里采用的是正则法，通过加入正则项，使得权重及时得到更新，但是这种方法不易操作，因为正则项该如何选则不容易确定；第
Hi_Panda_CRL·2016-04-09 20:43

【HowTo ML】正则化

过拟合(Overfitting)与欠拟合(Underfitting)欠拟合一个模型不能很好的拟合数据,或者说有很强的偏向,或者说有很大的偏差(Highbias)此时我们不能很好的预测新样本数据过拟合特点
Hivoodoo·2016-04-02 19:45

【HowTo ML】正则化

过拟合(Overfitting)与欠拟合(Underfitting)欠拟合一个模型不能很好的拟合数据,或者说有很强的偏向,或者说有很大的偏差(Highbias)此时我们不能很好的预测新样本数据过拟合特点
Hivoodoo·2016-04-02 19:00

线性回归-4-欠拟合、过拟合与局部加权线性回归

我们称右边的情况为过拟合(overfitting)！因为它已经不能反应出样本的整体分布情况！局部加权线性
yzheately·2016-04-02 14:00

对过拟合的处理：正则化方法：L1和L2 regularization、数据集扩增、dropout

正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。
Losteng·2016-03-21 10:00

常见的防止过拟合的方法

正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。
ZhikangFu·2016-03-14 11:49

常见的防止过拟合的方法

正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。
ZhikangFu·2016-03-14 11:00

underfitting and overfitting

过拟合（或者叫做高方差：highvariance）：简单的理解就是参数太多，训练集太少，过拟合的结果是训练误差会非常小，因为我们的参数很多，可以很好的拟合几乎所有的训练数据，但是，过拟合情况下，模型的泛化能力就很差，会导致测试误差比较大。（即使看到的训练误差很小，但是测试使用的时候效果很差==当一个算法在训练集表现优秀，但在测试集表现不佳）过拟合原因1.训练集和测试机特征分布不一致（e.g.,白天
linzhineng44·2016-03-12 20:50

Machine Learning - Solving the Problem of Overfitting: Regularization

Thisseriesofarticlesarethestudynotesof"MachineLearning",byProf.AndrewNg.,StanfordUniversity.Thisarticleisthenotesofweek3,SolvingtheProblemofOverfitting.Thisarticlecontainssometopicaboutregularization,
iracer·2016-02-21 13:00

Stanford 机器学习笔记 Week3 Regularization

过拟合(Overfitting)，指的是拟合曲线过度追求吻合trainingset，可能被一些噪音干扰，偏离实际情况。当数据的参数过多时容易发生这种情况。
Baoli1008·2016-02-15 19:00

4.2、组合方法二Adaboost、GBM、xgboost

Adaboost、GBM、xgboost1、adaboost（自适应增强）使用场景：1）用于二分类或多分类的应用场景2）用于做分类任务的baseline：无脑化，简单，不会overfitting，不用调分类器
qq_16365849·2016-02-08 18:48

4.2、组合方法二Adaboost、GBM、xgboost

Adaboost、GBM、xgboost1、adaboost（自适应增强）使用场景：1）用于二分类或多分类的应用场景2）用于做分类任务的baseline：无脑化，简单，不会overfitting，不用调分类器
qq_16365849·2016-02-08 18:00

weight decay (权值衰减）

http://blog.sina.com.cn/s/blog_890c6aa30100z7su.html   在机器学习或者模式识别中，会出现overfitting，而当网络逐渐overfitting时网络权值逐渐变大
一动不动的葱头·2016-01-31 10:00

Micheal Nielsen's神经网络学习之三：过拟合与规范化

依然是MichaelNielsen的书，依然是神经网络，上文说到的是神经网络有关于损失函数的调整使得学习速度加快，但是还是有几个问题没有解决： 过拟合问题权重和b初始化问题一，首先来看第一个问题：过拟合（overfitting
u010223750·2016-01-18 01:00

Micheal Nielsen's神经网络学习之三：过拟合与规范化

依然是MichaelNielsen的书，依然是神经网络，上文说到的是神经网络有关于损失函数的调整使得学习速度加快，但是还是有几个问题没有解决： 过拟合问题权重和b初始化问题一，首先来看第一个问题：过拟合（overfitting
u010223750·2016-01-18 01:00

神经网络-overfitting（二）

一、概况（一）、范数由于正则化的定义需要使用到范数（norm）的概念，这里简单介绍一下范数的概念1。1.物理意义范数是对函数、向量和矩阵定义的一种度量形式，可以用来测量两个函数、向量或者矩阵之间的距离。2.数学定义想要成为范数，需要满足一下三个性质：非负性∀X∈Rn，有∥w∥≥0，当且仅当X=0时，∥w∥=0齐次性∀X∈Rn，α∈R，有∥αw∥=|α|∥w∥三角不等式∀X,Y∈Rn，有∥X+Y∥≤
xmucas·2015-12-13 21:16

神经网络-overfitting（一）

一、过拟合简单说一下过拟合1问题。（一）、现象在监督学习中overfit的表现为，随着训练的进行，训练集上面的表现（比如lossfunction或者accuracy）一直变好，但是在测试集上面的表现却是先变好然后会出现拐点，表现变差。上图中的红线表示测试集的误差，蓝线表示训练集的误差。（二）、原因一般是由于模型比较复杂、参数太多，而训练数据相对有限，随着训练的进行，导致训练出的模型过度拟合了有限的
xmucas·2015-12-13 21:36

id3算法（python代码）

1.该python实现没有考虑到overfitting。
lostinai·2015-12-13 18:57

正则化方法：L1和L2 regularization、数据集扩增、dropout

正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）。
iamzhangzhuping·2015-12-11 15:00

斯坦福大学机器学习-有关与过拟合问题

TheProblemofOverfitting(过拟合问题)拟合问题举例-线性回归之房价问题：a)欠拟合(underfit,也称High-bias)b)合适的拟合：c)过拟合(overfit,也称Highvariance)什么是过拟合(Overfitting
djd已经存在·2015-11-23 20:50

斯坦福大学机器学习-有关与过拟合问题

TheProblemofOverfitting(过拟合问题)拟合问题举例-线性回归之房价问题：a)欠拟合(underfit,也称High-bias)b)合适的拟合：c)过拟合(overfit,也称Highvariance)什么是过拟合(Overfitting
djd1234567·2015-11-23 20:00

Machine Learning No.4: Regularization

Addressing overfitting: 　　(1) reduce number of features. 　　　　
·2015-11-13 12:04

过拟合/欠拟合

  对于特征集过小的情况，称之为欠拟合（underfitting）；   对于特征集过大的情况，称之为过拟合（overfitting）   解决此类学习问题的方法
·2015-11-12 23:31

机器学习中overfitting的理解

然后在深度学习中又见overfitting，这下就下定决心去学习一下！！！哈哈，多学点总不会错的step1.明白什么是overfitting？
hahajing369·2015-11-12 22:52

[Neural Networks] Dropout阅读笔记

多伦多大学Hinton组 http://www.cs.toronto.edu/~rsalakhu/papers/srivastava14a.pdf 一、目的 降低overfitting的风险
·2015-11-12 13:54

机器学习之正则化（Regularization）

The Problem of Overfitting 1 还是来看预测房价的这个例子，我们先对该数据做线性回归，也就是左边第一张图。
·2015-11-11 14:44

每日一个机器学习算法——正则化

在对数据进行拟合，学习模型的过程中，会出现以下情况： 1）high variance, overfitting.过拟合 2）high bias, underfiiting.欠拟合 过拟合出现的原因
·2015-11-05 08:31

正则化方法：L1和L2 regularization、数据集扩增、dropout

（本文会不断补充）正则化方法：防止过拟合，提高泛化能力在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟
u010402786·2015-11-02 21:00

issue2：overfitting and regularization

数据训练时分为训练集和测试集，在训练集上训练模型得到的误差叫做test err，在测试集上测试得到的误差就做test err。 我们最终的目标是在训练集上的test err足够小，这样表示模型能很好的fit这个类型的数据。 对于上节中的最小二乘问题，有如下等式：   模型复杂度（complexity）即是描述训练误差和测试误差的不同的工具。 泛化（由训练集到测试集）误差
·2015-11-02 15:26

正则化方法：L1和L2 regularization、数据集扩增、dropout

（本文会不断补充） 正则化方法：防止过拟合，提高泛化能力 在训练数据不够多时，或者overtraining时，常常会导致overfitting（过拟合）
·2015-11-02 15:23

Overfitting & Regularization

Overfitting & Regularization The Problem of overfitting A common issue in machine learning or mathematical
·2015-11-02 11:19

overfitting(过度拟合)的概念

来自：http://blog.csdn.net/fengzhe0411/article/details/7165549 最近几天在看模式识别方面的资料，多次遇到“overfitting”这个概念，最终觉得以下解释比较容易接受
·2015-10-31 09:54

the Overfitting in Neural Network

Related Definition: 1.Overfitting happens when a model works very well on its trainning set,but has
·2015-10-21 11:26

神奇的卷积神经网络(一)

既然说它是deeplearning中的一个算法，那么就需要有大量的数据来支持，作为一个深度的神经网络，参数动辄百万以上，如果样本数过小很容易造成overfitting。
AlienGMX·2015-10-14 12:59

机器学习—过拟合overfitting

其中有个人这么说“样本少feature多才overfitting”也有人提到看红框标注部分，也就是说样本多就不会发生过拟合么。
拾毅者·2015-10-04 20:30

机器学习—过拟合overfitting

其中有个人这么说“样本少feature多才overfitting”也有人提到看红框标注部分，也就是说样本多就不会发生过拟合么。
拾毅者·2015-10-04 20:30

机器学习—过拟合overfitting

其中有个人这么说“样本少feature多才overfitting”也有人提到看红框标注部分，也就是说样本多就不会发生过拟合么。
Dream_angel_Z·2015-10-04 20:00

PRelu--Delving Deep into Rectifiers: Surpassing Human-Level Performance on ImageNet Classification

上的结果提高到4.94%，超过普通人的正确率；PRelu需要像更新权重weights一样使用BP更新一个额外的参数，但是相较于weights的数量来说，PRelu需要更新的参数总数可以忽略不计，所以不会加重overfitting
meanme·2015-09-28 19:00
上一页 7 8 9 10 11 12 13 14 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他