注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 有关模型梯度爆炸，消失的定义及策略；过拟合和欠拟合.docx

  2. 这是在伯禹课堂上学习内容的总结，具体包含梯度爆炸、梯度消失等定义并举例（利用线性回归模型）；过拟合和欠拟合的定义，如何避免的方法。

  3. 所属分类：深度学习

    • 发布日期：2020-02-19
    • 文件大小：129024
    • 提供者：weixin_42265567

  1. A07_欠拟合与过拟合.rar

  2. 按图索骥学-机器学习 有关机器学习的一组教程，深入浅出 用一副思维导图串联所有学习资源和知识点，每个同学都可以根据自己的情况，按图索骥，设计自己的学习路径，学习需要的课程 有关此课程详细信息，请访问https://code946.blog.csdn.net/

  3. 所属分类：机器学习

    • 发布日期：2020-01-13
    • 文件大小：366592
    • 提供者：it_oheasy

  1. keras处理欠拟合和过拟合的实例讲解

  2. 主要介绍了keras处理欠拟合和过拟合的实例讲解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

  3. 所属分类：其它

    • 发布日期：2020-09-16
    • 文件大小：118784
    • 提供者：weixin_38618521

  1. keras处理欠拟合和过拟合的实例讲解

  2. baseline import tensorflow.keras.layers as layers baseline_model = keras.Sequential( [ layers.Dense(16, activation='relu', input_shape=(NUM_WORDS,)), layers.Dense(16, activation='relu'), layers.Dense(1, activation='sigmoid') ] ) baseline_model.co

  3. 所属分类：其它

    • 发布日期：2020-12-17
    • 文件大小：45056
    • 提供者：weixin_38609765

  1. AI之过拟合、欠拟合及其解决方案

  2. 过拟合、欠拟合及其解决方案模型选择、过拟合和欠拟合训练误差和泛化误差模型选择验证数据集K折交叉验证过拟合和欠拟合模型复杂度训练数据集大小多项式函数拟合实验初始化模型参数定义、训练和测试模型三阶多项式函数拟合（正常）线性函数拟合（欠拟合）训练样本不足（过拟合）权重衰减方法L2L_2L2​范数正则化（regularization）高维线性回归实验从零开始的实现初始化模型参数定义L2范数惩罚项定义训练和测试观察过拟合使用权重衰减简洁实现丢弃法丢弃法从零开始的实现简洁实现 模型选择、过拟合和欠拟合 训练

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：228352
    • 提供者：weixin_38649657

  1. 过拟合欠拟合及其解决方案

  2. 过拟合欠拟合及其解决方案 模型在训练数据集上准确，测试数据集上不一定更准确 训练误差和泛化误差 训练误差：模型在训练数据集上表现出的误差。 泛化误差：模型在任意一个测试数据样本上表现出的误差的期望。常常通过测试数据集上的误差来近似。 一般情况下，由训练数据集学到的模型参数会使模型在训练数据集上的表现优于或等于在测试数据集上的表现。由于无法从训练误差估计泛化误差，一味地降低训练误差并不意味着泛化误差一定会降低。 模型选择 在机器学习中，通常需要评估若干候选模型的表现并从中选择模型。这一过程称为模型

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：83968
    • 提供者：weixin_38594266

  1. pytorch_task3过拟合欠拟合；梯度消失爆炸；循环神经网络

  2. Task3过拟合、欠拟合及其解决方案训练误差、泛化误差模型选择验证数据集K折交叉验证过拟合欠拟合概念模型复杂度解决过拟合权重衰减（加上L2范数惩罚项）丢弃法梯度消失、梯度爆炸初始化模型参数Xavier随机初始化协变量偏移标签偏移概念偏移循环神经网络循环神经网络构造RNN简洁实现实践one-hot向量 过拟合、欠拟合及其解决方案 训练误差、泛化误差 前者指模型在训练数据集上表现出的误差。 后者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。 模型选择 验证数据

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：179200
    • 提供者：weixin_38665629

  1. Pytorch之欠拟合和过拟合

  2. Pytorch之欠拟合和过拟合 ​ 　　首先，我们需要区分训练误差（ training error）和泛化误差（ generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者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。而在机器学习上的模型应该关注降低泛化误差． 影响因素 模型复杂度 训练数据集的大小 ​ 　　⼀般来说，如果训练数据集中样本数过少，特别是⽐模型参数数量（按元素计）更少时，过拟合更容

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：111616
    • 提供者：weixin_38719540

  1. 欠拟合和过拟合&&梯度消失和梯度爆炸&&循环神经网络进阶

  2. 一.欠拟合和过拟合 1.1训练误差与泛化误差 在解释上述现象之前，我们需要区分训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者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。 1.2 模型选择 1.2.1 验证数据集 从严格意义上讲，测试集只能在所有超参数和模型参数选定后使用一次。不可以使用测试数据选择模型，如调参。由于无法从训练误差估计泛化误差，因此也不应只

  3. 所属分类：其它

    • 发布日期：2021-01-07
    • 文件大小：332800
    • 提供者：weixin_38688097

  1. Task03:过拟合、欠拟合及其解决方案/梯度消失、梯度爆炸/循环神经网络进阶

  2. 1 过拟合、欠拟合及其解决方案 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（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者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之前介绍过的损失函数，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。 机器学习模型应关注降低泛化误差。 模型选择 验证数据集

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：771072
    • 提供者：weixin_38722891

  1. 过拟合，欠拟合，梯度消失，梯度爆炸

  2. 过拟合和欠拟合 我们将探究模型训练中经常出现的两类典型问题： 一类是模型无法得到较低的训练误差，我们将这一现象称作欠拟合（underfitting）； 另一类是模型的训练误差远小于它在测试数据集上的误差，我们称该现象为过拟合（overfitting）。 在实践中，我们要尽可能同时应对欠拟合和过拟合。虽然有很多因素可能导致这两种拟合问题，在这里我们重点讨论两个因素：模型复杂度和训练数据集大小。 模型复杂度 模型复杂度，我们以多项式函数拟合为例。给定一个由标量数据特征xxx和对应的标量标签 yyy

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：102400
    • 提供者：weixin_38749863

  1. 动手学深度学习笔记3过拟合、欠拟合

  2. 一、欠拟合与过拟合 误差： 训练误差（training error）：指模型在训练数据集上表现出的误差 泛化误差（generalization error）：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。机器学习模型应关注降低泛化误差。 Q：如何计算误差？A：引入损失函数（MSE、交叉熵损失）。 验证集：从严格意义上讲，测试集只能在所有超参数和模型参数选定后使用一次。因为不可以使用测试数据选择模型，如调参。所以引入验证集（从训练集中划分出部分验证集），即预

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：373760
    • 提供者：weixin_38713009

  1. 过拟合、欠拟合 & 梯度消失、梯度爆炸 & 循环神经网络进阶

  2. 过拟合、欠拟合 过拟合、欠拟合的概念 权重衰减 丢弃法 训练误差与泛化误差 训练误差（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者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。 模型选择 min⁡θ1N∑i=1NL(yi,fθ(xi))+λ∣∣θ∣∣2\min_{\theta}\frac{1}{N}\sum_{i=1}^{N}L(y_i,f_{\theta}(x_

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：130048
    • 提供者：weixin_38544152

  1. 3.11 模型选择、欠拟合和过拟合

  2. 讨论了：当模型在训练数据集上更准确时，它在测试数据集上却不一定更准确的原因。 3.11.1 训练误差和泛化误差 训练误差（training error）：模型在训练数据集上表现出的误差。 泛化误差（generalization error）：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。 在机器学习里，我们通常假设训练数据集（训练题）和测试数据集（测试题）里的每一个样本都是从同一个概率分布中相互独立地生成的。 机器学习模型应关注降低泛化误差。 3.11.2

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：97280
    • 提供者：weixin_38622125

  1. 在线交易中的欺诈检测：使用欺诈检测比率小于0.00005的Anamoly检测技术（例如过采样和欠采样）来检测在线交易中的欺诈，因此，仅应用分类算法可能会导致过度拟合-源码

  2. 在线交易中的欺诈检测：使用欺诈检测比率小于0.00005的Anamoly检测技术（例如过采样和欠采样）来检测在线交易中的欺诈，因此，仅应用分类算法可能会导致过度拟合

  3. 所属分类：其它

    • 发布日期：2021-02-05
    • 文件大小：293888
    • 提供者：weixin_42166261

  1. 过拟合和欠拟合学习笔记

  2. 欠拟合 模型无法得到较低的训练误差（模型在训练数据集上表现出的误差），这一现象称作欠拟合（underfitting） 过拟合 过拟合得问题指的是模型在测试集上的结果不好，训练误差较低但是泛化误差依然较高，二者相差较大。 解决过拟合得问题通常可以通过增加数据量，另外还可以用正则化的方法。 正则化 L2范数正则化 通常指得是L2范数正则化，是在损失函数中再加一个正则项λ2n\frac{λ}{2n}2nλ​，其中超参数λ>0λ>0λ>0，损失函数如下 J(W,b)+λ2n∣w∣2J(

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：116736
    • 提供者：weixin_38562329

  1. 深度学习（三）————过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶

  2. 目录 过拟合、欠拟合及其解决方案 训练误差和泛化误差 过拟合和欠拟合的概念 模型复杂度和误差之间的关系 解决过拟合的方案 梯度消失及梯度爆炸 循环神经网络进阶 GRU LSTM 深度神经网络 过拟合、欠拟合及其解决方案 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（training error）和泛化误差（generalization error）。通俗来讲，前者指模型在训练数据集上表现出的误差，后者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

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：408576
    • 提供者：weixin_38635092

  1. 过拟合与欠拟合、梯度消失与爆炸、RNN进阶

  2. 过拟合与欠拟合 专业名词解释： 泛化误差（generalization error）：指模型在任意一个测试数据样本上表现出来的误差的期望，我们通常用测试集上的误差来近似看待. 验证集（validation set）：预留一部分训练数据集出来用于验证和看模型的表现结果，并用来进行模型选择 K折交叉验证（K-fold cross-validation）：针对训练数据不够用时的一种改善方法。把原始训练数据集分割成不重合的K份子数据集，然后做K次的训练和验证，最后对这K次的训练误差和验证误差分别求平均

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：321536
    • 提供者：weixin_38717171

  1. 深度学习d3：过拟合、欠拟合及其解决方案；梯度消失、梯度爆炸；循环神经网络进阶

  2. 欠拟合和过拟合 训练误差和泛化误差 训练误差 ：训练集上的误差 泛化误差 ：测试集上的误差 训练误差的期望小于或等于泛化误差，因为一直在训练训练集。训练误差的降低不等于泛化误差的降低。但机器学习的真正目的是降低泛化误差。 模型选择 验证集 ：可以预留一部分在训练数据集和测试数据集以外的数据来进行模型选择。如从给定的训练集中选一些做验证集。 K折交叉验证 ： 节省数据。把原始训练数据集分割成

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：24576
    • 提供者：weixin_38742520

  1. 过拟合、欠拟合

  2. 过拟合和欠拟合 训练误差和泛化误差 训练误差，模型在训练集合上表现的误差。 泛化误差 ，模型在任意一个数据集上表现出来的误差的期望。 过拟合，模型训练误差远小于在测试集上的误差。 欠拟合 ，模型无法在训练集上得到较低的训练误差。 如何判断过拟合和欠拟合 现在常用的判断方法是从训练集中随机选一部分作为一个验证集，采用K折交叉验证的方式。把原始训练数据集分割成K个不重合的子数据集，然后我们做K次模型训练和验证。每一次，我们使用一个子数据集验证模型，并使用其他K-1个子数据集来训练模型。在这K次训练和

  3. 所属分类：其它

    • 发布日期：2021-01-20
    • 文件大小：59392
    • 提供者：weixin_38517113
« 12 3 4 5 6 7 8 »