Skip to content
体验新版
项目
组织
正在加载...
登录
切换导航
打开侧边栏
OpenDocCN
d2l-zh
提交
f27a3062
D
d2l-zh
项目概览
OpenDocCN
/
d2l-zh
通知
2
Star
0
Fork
0
代码
文件
提交
分支
Tags
贡献者
分支图
Diff
Issue
0
列表
看板
标记
里程碑
合并请求
0
Wiki
0
Wiki
分析
仓库
DevOps
项目成员
Pages
D
d2l-zh
项目概览
项目概览
详情
发布
仓库
仓库
文件
提交
分支
标签
贡献者
分支图
比较
Issue
0
Issue
0
列表
看板
标记
里程碑
合并请求
0
合并请求
0
Pages
分析
分析
仓库分析
DevOps
Wiki
0
Wiki
成员
成员
收起侧边栏
关闭侧边栏
动态
分支图
创建新Issue
提交
Issue看板
前往新版Gitcode,体验更适合开发者的 AI 搜索 >>
提交
f27a3062
编写于
5月 25, 2018
作者:
A
Aston Zhang
浏览文件
操作
浏览文件
下载
电子邮件补丁
差异文件
model sel
上级
1cb95858
变更
1
隐藏空白更改
内联
并排
Showing
1 changed file
with
3 addition
and
3 deletion
+3
-3
chapter_supervised-learning/underfit-overfit.md
chapter_supervised-learning/underfit-overfit.md
+3
-3
未找到文件。
chapter_supervised-learning/underfit-overfit.md
浏览文件 @
f27a3062
# 欠拟合、过拟合和
选择模型
# 欠拟合、过拟合和
模型选择
在前几节基于Fashion-MNIST数据集的实验中,我们评价了机器学习模型在训练数据集和测试数据集上的表现。如果你动手改变过实验中的模型结构或者超参数的话,你也许发现了:当模型在训练数据集上更准确时,在测试数据集上的准确率既可能上升又可能下降。这是为什么呢?
...
...
@@ -158,11 +158,11 @@ fit_and_plot(poly_features[0:2, :], poly_features[n_train:, :], labels[0:2],
我们将在后面的章节继续讨论过拟合问题以及应对过拟合的方法,例如正则化和丢弃法。
##
选择模型
##
模型选择
我们已经知道,训练误差无法被用来估计泛化误差。那我们是否可以根据测试数据集上的误差来调节超参数和选择模型呢?答案是否定的。原因很简单:为降低测试数据集误差而修改模型将使本节开始的“独立同分布假设”不再成立。此时测试数据集的误差无法正确反映泛化误差。
为了选择模型
,我们可以切分原始训练数据集:其中大部分样本组成新的训练数据集,剩下的组成验证数据集(validation data set)。我们在新的训练数据集上训练模型,并根据模型在验证数据集上的表现调参和选择模型。最后,我们在测试数据集上评价模型的表现。
在选择模型时
,我们可以切分原始训练数据集:其中大部分样本组成新的训练数据集,剩下的组成验证数据集(validation data set)。我们在新的训练数据集上训练模型,并根据模型在验证数据集上的表现调参和选择模型。最后,我们在测试数据集上评价模型的表现。
### $K$ 折交叉验证
...
...
编辑
预览
Markdown
is supported
0%
请重试
或
添加新附件
.
添加附件
取消
You are about to add
0
people
to the discussion. Proceed with caution.
先完成此消息的编辑!
取消
想要评论请
注册
或
登录