当第二次拟合模型时，“训练发散并返回NaN”？
当第二次拟合模型时，"训练发散并返回NaN" 是指在机器学习模型训练过程中出现的一种错误。这种错误通常发生在模型参数更新过程中，导致模型的损失函数无法收敛，最终导致训练过程中的损失值变为NaN（Not a Number）。
出现训练发散并返回NaN的情况可能有多种原因，下面列举了一些常见的原因和解决方法：
- 学习率过大：学习率是控制模型参数更新步长的超参数。如果学习率设置过大，模型参数更新的步长可能会过大，导致模型无法收敛。解决方法是逐渐降低学习率，或者使用自适应学习率的优化算法，如Adam。
- 数据预处理问题：数据预处理是机器学习中非常重要的一步。如果数据存在异常值、缺失值或者特征尺度差异较大等问题，可能会导致模型训练发散。解决方法包括对数据进行清洗、填充缺失值、归一化或标准化等处理。
- 模型复杂度过高：如果模型的复杂度过高，可能会导致模型过拟合，进而训练发散。解决方法包括减少模型的参数量、增加正则化项或者使用更简单的模型结构。
- 训练样本量不足：如果训练样本量过少，模型可能无法从有限的数据中学习到足够的信息，导致训练发散。解决方法包括增加训练样本量、使用数据增强技术或者使用迁移学习等方法。
- 网络结构设计问题：如果网络结构设计不合理，可能会导致模型训练发散。解决方法包括重新设计网络结构、增加正则化项或者使用预训练模型等。
总之，当第二次拟合模型时出现"训练发散并返回NaN"的情况，需要仔细检查学习率、数据预处理、模型复杂度、训练样本量和网络结构等方面的问题，并根据具体情况采取相应的解决方法。
相关·内容
1回答
我正在用TensorFlow在python中一个相对较大的数据集(27G)上训练一个CNN模型。由于我的RAM无法将所有数据导入到模型中，所以我执行如下操作：
通过dataset(100)do读取数据集(0)数据processingtrain模型为20世纪保存模型读取数据集(101)到(200)
并对即将发布的数据重新进行处理和培训。我使用model.save(filepath)函数，它保存整个模型(权重、优化器状态和.)。
以下是每次培训后保存和加载模型的简单代码：
loop():
dataprocessing
training_data, training_labels = pro
浏览 3提问于2020-11-30得票数 0
回答已采纳
我不明白fit和fit_transform方法在scikit-learn中的区别。有人能简单地解释一下为什么我们可能需要转换数据吗？
这是什么意思，拟合一个模型的训练数据和转换为测试数据？例如，这是否意味着在培训中将分类变量转换为数字，并将新的功能集转换为测试数据？
浏览 0提问于2016-06-21得票数 240
回答已采纳
我理解过拟合和欠拟合的直观含义。现在，给定一个基于训练数据训练的特定机器学习模型，您如何判断训练是过拟合还是欠拟合数据？有没有一种量化的方法来衡量这些因素？
我们能不能看看误差，然后说它是过拟合还是欠拟合？
浏览 0提问于2012-09-15得票数 4
回答已采纳
我正在用resnet50作为编码器进行图像分割，并在tensorflow中用跳过层的解池层来制作解码器。
这是模型结构，
对于损失函数，我使用dice_coefficient和IOU公式，并将两者相加计算总损失。除了总损失外，我还从网络中添加了REGULARIZATION_LOSSES。
total_loss = tf.add_n([dice_coefficient_output+IOU_output]+tf.get_collection(tf.GraphKeys.REGULARIZATION_LOSSES))
训练开始，在第一阶段，总损失在0.4左右，而在第二阶段，总损失显示为nan
浏览 10提问于2022-11-06得票数 0
回答已采纳
1回答
我有一个pandas df，它是我使用shift()函数迭代原始df创建的 for i in range(2, 4):
df["lag_{}".format(i)] = df.x.shift(i) 因此，将会有实际的x列和具有移位的x值的lag2-lag10列。我已经为回归模型训练了这个数据集，以进行一步预测。我想在数据帧的末尾添加新的行，其中x的NaN值和从最后一个位置移位的值，以便能够使用这些新的滞后来拟合模型，以预测这个新的NaN值。如何在熊猫身上做到这一点？谢谢! Upd:有df的图片，未加粗- df，加粗-要获取的所需行： ?
浏览 19提问于2020-04-16得票数 1
回答已采纳
我正在处理文档分类问题，并尝试应用基本的RNN/LSTM模型。
我制作了多层LSTM模型，并用15个时期进行了训练，但我获得了大约53%的训练准确率。41%的测试访问率。当我用更大的时代训练时，训练acc。增加和测试访问权限。下降到33%左右。
我知道如果测试访问。低于训练ac.，它可能是过拟合的。而过拟合的原因是，模型甚至训练了训练数据集的噪声。但我认为，如果发生了过度拟合，训练是可行的。必须是相当高的(80-90%)和测试访问。这比这要低得多，因为过拟合意味着模型对于训练数据集来说是“过拟合”的。
现在我想知道为什么当我用15个时期训练时，我的准确率降低了10%，而训练准确率只有53%。它
浏览 0提问于2020-04-24得票数 0
我正在使用statsmodels.tsa.arima.model.ARIMA在时间序列上拟合ARIMA模型。 如何使用此模型对看不见的数据进行预测？似乎预测和预测功能只能从模型拟合到的训练集中的最后一次看到的数据进行预测。 举个例子，我想用一个静态模型来预测未来。这是为了实时多步预测的目的，其中重新拟合模型是不可行的。 例如， 假设我们有一个10,000的数据集，分为训练和测试(70/30)。我们训练的最后一个读数是7,000，可以使用经过训练的模型并在6997到7000中传递来预测7001到7004，然后在接下来的迭代中使用相同的模型传递6998到7001来预测7002到7005。 这种类
浏览 33提问于2021-10-28得票数 0
通过实现一个简单的线性回归，我第一次尝试了tensorflow。我的权重在几次迭代中发散到无穷大，而不是收敛。
首先我初始化我的数据
import tensorflow as tf
import numpy as np
T = 100
noise = 10*np.random.random(size=T).astype(np.float32)
x = np.array([np.arange(T), np.ones(T)]).astype(np.float32)
w = np.array([[2,4]]).astype(np.float32)
y = w.dot(x) + noise
w.dot
浏览 3提问于2017-04-26得票数 3
4回答
对训练集模型进行评价(即训练训练模型，在同一训练集上评估回归误差/精度)，并将评价结果与模型回归误差/交叉验证(我们在同一训练集上进行交叉验证)和测试集的精度进行比较，以检查过拟合/不拟合是否是一种很好的做法吗？
据我所知，我们不应该对训练集的模型进行评估。然而，我看到一些讲座似乎促进了对训练错误的评估。
浏览 0提问于2020-08-20得票数 1
1回答
我一直在为分类建立一个神经网络。
选择我最好的模特。我已经用了10倍的交叉验证。并选择了具有最高平均精度的网络。
既然我已经选择了最好的模型，我想使用所有的数据来训练这个模型，因为我拥有的数据量是有限的(我将合并培训、开发和测试数据)。
我的问题是，当我用所有的数据进行训练时，我不知道什么时候停止训练。培训损失并不是一个确定的指标。通常，我有一个用于监视培训的开发集。当训练损失不再改善时，我就停止训练。
对于如何监督一个只有训练数据的模型，有什么建议吗？换句话说，如何判断网络何时需要停止？
浏览 0提问于2017-09-14得票数 3
回答已采纳
1回答
我最近开始了解Keras中的Modelcheckpoint回调。但它只能监控验证准确性或训练Acc。当验证精度达到最大时，它可以节省最佳模型权重。但该模型可能与验证数据过度拟合。因此，我觉得也有必要监控训练的准确性。我想保存验证精度最高且训练精度也很好的模型。有没有办法或者回调？谢谢
浏览 0提问于2018-08-17得票数 0
1回答
我刚刚用keras训练了一个模型(SGD)，我想知道为什么当我降低学习率时，从一个时代到一个时代的准确性和损失并没有减少那么多。因此，我测试了当我将学习率设置为0时会发生什么，令我惊讶的是，准确性和损失仍然从一个时代变化到另一个时代，我找不到一个解释。有人知道为什么会发生这种事吗？
浏览 0提问于2021-02-18得票数 0
回答已采纳
就像题目一样。我在R中做了Ljung盒检验，模型拟合的时间序列为常数(即: 0)，得到了完美的模型拟合和0的残差，没有什么奇怪的。但是我想知道为什么测试返回的是q值和p值，而不是p=0.99999或类似的值。我想对此作出理论上的解释。
浏览 1提问于2022-08-11得票数 0
4回答
更新:这个问题已经过时，并被要求提供tensorflow的预1.0版本。不要引用答案或建议新的答案。
我用tf.nn.sigmoid_cross_entropy_with_logits函数来表示损失，它将传递给NaN。
我已经在使用梯度裁剪，在这里进行张量除法，我增加了一个epsilon来防止除法为零，所有softmax函数的参数都添加了epsilon。
但是，我得到了南的一半的训练。
是否有任何已知的问题，TensorFlow做这一点，我已经错过了？这是相当令人沮丧的，因为损失是随机的NaN在训练和破坏一切。
此外，我如何去检测训练步骤是否会导致NaN，并可能跳过这个示例呢？有什么建议吗？
浏览 5提问于2016-11-25得票数 4
我正在做一个涉及神经机器翻译(将英语翻译成法语)的项目。 我已经在网上做了一些例子，现在已经完成了模型。一旦使用Keras训练了模型，我如何在不重新训练整个模型的情况下获得翻译的预测，因为我使用的数据集很大，每个时期都需要一些时间，当然，我不能在每次需要翻译时都训练模型。 那么，在不重新训练整个模型的情况下，对新输入生成预测的正确方法是什么？ 谢谢 ? ?
浏览 21提问于2021-01-28得票数 0
我已经阅读了在下进行K折叠交叉验证的一般步骤。
它描述了一般程序如下：
随机洗牌数据集。
将数据集拆分为k组(折叠)
对于每个唯一的组:将组作为一个保持或测试数据集。
将剩下的组作为训练数据集，在训练集上建立模型，并在测试集上对其进行评估。
保留评价分数，放弃模型
利用模型评价成绩样本总结模型的技巧
所以如果它是K-折叠，那么K模型就会被建立，对吗？但是，为什么我从H2O的下面的链接中读到它构建了K+1模型呢？
浏览 1提问于2018-10-03得票数 0
回答已采纳
我想训练我的神经网络来适应训练数据。我是否应该继续用相同的训练数据来拟合我的模型，使用K-折叠验证，并将时间设置为无穷大？然后，在达到几乎百分之百的预测之后，我就可以停止训练了。这样做对吗？
浏览 0提问于2016-12-08得票数 5
1回答
我试图在数据集上训练一个C0图像模型。该数据集包括320 000幅培训图像、40 000幅验证图像和40 000幅测试图像。
由于数据集很大，我开始从培训集中对500个样本(每班)进行培训。结果如下：
📷
从上面的图表中我们可以看出，验证损失在20年代前后开始以较慢的速度下降，而训练损失则继续下降。这意味着我们的模型开始过度拟合数据？我假设这可能是因为我在培训集中拥有的数据不足以在验证集上获得更好的结果？(验证数据也是整个验证集中的500个样本(每类))
在小样本上训练模型是一种正确的方法吗？每班500张图像)，保存模型，加载保存的模型权重，然后再用更大的样本(例如1000幅图像)进行训练？我
浏览 0提问于2020-07-18得票数 2
回答已采纳
1回答
彩色和灰度图像
、、、
我正在尝试构建一个将灰度图像转换为彩色图像的模型。因此，我使用彩色图像和灰度图像的组合来训练cnn模型。虽然训练和损失的准确性很好，但与实际相比，val损失很高，Val精度很低，因此我得出结论，尽管我应用了辍学、批量归一化、图像增强，但它是过拟合的。结果是一样的。因此，我认为由于一半的图像是彩色的，另一半是灰度图像，所以模型被过度拟合了。我该如何克服它？
浏览 46提问于2021-07-31得票数 0
1回答
我已经训练了一个logistic回归模型。现在我必须用新的训练数据来更新(部分拟合)模型。有可能吗？
浏览 1提问于2018-07-30得票数 4
回答已采纳
我正在这里测试这个例子：
using Flux
actual(x) = 4x + 2
x_train, x_test= hcat(0:5...), hcat(6:10...)
y_train, y_test = actual.(x_train), actual.(x_test)
predict = Dense(1 => 1)
predict(x_train)
loss(x,y) = Flux.Losses.mse(predict(x),y)
loss(x_train,y_train)
using Flux:train!
opt = Descent(0.1)
data = [(x_t
浏览 7提问于2022-05-31得票数 1
回答已采纳
1回答
我正在使用XGBClassifier训练二进制分类器(如果我正确理解的话，基本上是增强了决策树)。我有10K的训练例子。我有两个不同的特性集(但它们可能是依赖的)，一个包含26个特性(调用集合A)，另一个包含96个功能(调用集合B)。我试着训练了三个分类器，每个w/ A不同的特征集组合，即A、B和A+B。结果是，只使用A显然比同时使用A和B更好。在这一点上，我认为这可能是过度拟合，因此使用较少的特征实际上避免了过度拟合。
在上述训练中使用的树#为100棵。因此，我使用了10倍交叉验证来为每个功能集组合找到最优的树#，它们都超过了100 (比如300-500)。因此，在我看来，这些模型似乎是在学
浏览 0提问于2017-02-27得票数 3
回答已采纳
我正在尝试使用下面的参数训练一个XGBoost模型：
xgb_params = {
'objective': 'binary:logistic',
'eval_metric': 'auc',
'lambda': 0.8,
'alpha': 0.4,
'max_depth': 10,
'max_delta_step': 1,
'verbose': True
}
由于我的输入数据太大，无法完全加载到内
浏览 2提问于2017-07-04得票数 5
1回答
我正在训练一个分类模型，在BERT之上使用自定义层。在此期间，该模型的训练性能随着时代的增加而下降(在第一个时代之后)。我不确定在这里要修复什么-是模型还是数据？
(对于数据，它是二进制标签，每个标签的数据点数量是平衡的)。
对于问题可能是什么，有什么快速的建议吗？以前有没有人遇到过这个问题？
编辑:原来我使用的转换器库和tf版本不匹配。一旦我解决了这个问题，训练效果就很好了！
谢谢!
浏览 6提问于2020-07-26得票数 1
我正在训练一个有107850个样本的模型，并对26963个样本进行验证。
在Keras中拟合模型时，批处理大小和纪元数应该是多少，以优化验证精度？有没有什么基于数据输入大小的经验法则？如果纪元的数量增加，它是否会过度拟合模型？
谢谢。
浏览 2提问于2019-08-04得票数 3
3回答
超参数整定与分类算法的比较
、、、、
对于分类算法的比较，我有一个疑问。
我正在做一个关于数据集的超参数调优和分类模型比较的项目。我们的目标是为我的数据集找出最适合我的超参数的模型。
例如:我有两个分类模型(支持向量机和随机森林)，我的数据集有1000行和10列(9列是特性)，最后一列是可分层的。
首先，我将dataset分为2部分(80-10行)，用于相应的训练(800行)和测试(200行)。在此基础上，利用CV = 10的网格搜索对这2种模型(支持向量机和随机森林模型)上的训练集进行参数整定。当对每个模型识别超参数时，我使用这两个模型的这些超参数在训练和测试集上测试Accuracy_score，以确定哪一个模型对我的数据是最好
浏览 0提问于2020-12-31得票数 0
回答已采纳
利用matlab训练二值分类神经网络模型，给出了在隐层中使用20个神经元得到的图。交叉熵与年代之间的混淆矩阵和图。
为了防止模型中的过度拟合，损失图中的训练曲线应该与验证曲线相似。
但在目前的情况下，第三张图显示了验证曲线与训练相似的曲线，尽管与上述曲线中两条曲线的分叉曲线相比，总体精度较低。
WHy，这是正在发生的，我在理解这些曲线时做错了什么？
📷
📷
📷
📷
浏览 0提问于2018-05-19得票数 3
2回答
我试图了解机器学习中的模型评估和验证过程。具体而言，培训、验证和测试集的使用顺序和方式。
假设我有一个数据集，我想使用线性回归。我在各种多项式度(超参数)之间犹豫不决.
在中，这似乎意味着顺序应该是：
将数据拆分为培训集、验证集和测试集
使用训练集来拟合模型(找到最佳参数:多项式系数)。
之后，使用验证集来找到最佳的超参数(在这种情况下，多项式度)(维基百科的文章说：“连续地，拟合模型用于预测第二个数据集中的观测结果，称为验证数据集”)。
最后，使用测试集对与训练集相匹配的模型进行评分。
然而，在我看来，这似乎很奇怪:如果您还没有选择您的超参数(在这种情况下是多项式度)
浏览 1提问于2019-01-10得票数 1
回答已采纳
1回答
空模型背后的想法是什么？
、、、
我必须使用python和cv2对图像进行分类。在训练模型之前，我们必须首先使用 cv2.ml.KNearest_create() 我知道这行代码创建了一个空模型，但这意味着什么呢？当我想到一个模型时，我通常会想象一个方程，比如y= mx +b或y= ax^2 + bx + c。我很好奇一个空的模型对象是什么样子，以及如何用它来拟合训练数据。
浏览 13提问于2021-11-09得票数 0
我试着用2天的时间来用这个方程来拟合我得到的一些数据
f = @(x) ((x.^4) .* exp(x)) ./((exp(x)-1).^2);
gama*x + 9*R*((x/a)^3)*quad(f,0,a/x);
这里x是自变量，a是未知的，gama是已知的。我尝试了下面的过程，并取得了最大的成功。
function C=myquad(a,T)
C = zeros(size(T));
gama = 20 * 1e-3;
R = 8.314;
f = @(x) ((x.^4) .* exp(x)) ./((exp(x)-1).^2);
for n = 1:length(T)
C
浏览 0提问于2011-07-08得票数 1
回答已采纳
1回答
我正在训练一个神经网络做回归，(1输入和1输出)。让我们将x和y分别作为通常的输入和输出数据集。
我的问题是，y数据集(而不是x)有一些值设置为nan，所以拟合到nan。我想知道是否有一个选项可以忽略拟合中的nan值，类似于numpy函数np.nanmean来计算忽略nan的平均值等等。
如果该选项不存在，我想我必须找到nan值并手动删除它们，，同时擦除与y中nan位置对应的x中的值。
x y
2 4
3 2
4 np.nan
5 7
6 np.nan
7 np.nan
在这个简单的示例中，应该删除y列中的nan值，
浏览 1提问于2016-06-10得票数 3
回答已采纳
我正在从事物体检测的工作。我的训练集是5984，测试集是1496 (KITTI跟踪训练数据集)。
在Tensorflow中拟合模型时，批量大小和纪元数应该有多大？有没有什么基于数据输入大小的经验法则？我应该将其拆分为训练/val/test，还是继续使用当前拆分的train/val？
浏览 14提问于2017-07-03得票数 0
2回答
有人能告诉我如何使用局部拟合在sklearn中使用合奏吗？我不想重新训练我的模型。或者，我们可以通过预先训练的模型进行集成吗？例如，我已经看到投票分类器不支持使用部分拟合进行训练。
浏览 58提问于2017-03-21得票数 14
回答已采纳
2回答
良好的训练，测试和验证的准确性，但奇怪的历史准确性的模型行为:这是我的模型的总结： ? 我执行了执行和预测任务，得到了下一个混淆矩阵： ? 而准确率行为紧随其后： ? 我不能理解这是过拟合还是欠拟合，还是正常行为？ 添加损失图以在下一篇文章中阐明更多内容 ? 提前感谢您的任何有用的信息和帮助！
浏览 90提问于2020-08-11得票数 1
回答已采纳
13回答
深造南损失的原因
、、、、
也许这个问题太笼统了，但谁能解释一下什么会导致卷积神经网络发散呢？
具体情况：
我正在使用Tensorflow的iris_training模型和我自己的一些数据，并不断获得
错误:tensorflow:模型发散，损耗= NaN。
追溯..。
tensorflow.contrib.learn.python.learn.monitors.NanLossDuringTrainingError: NaN在训练中丢失。
追溯起源于line：
tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,
浏览 6提问于2016-10-14得票数 137
回答已采纳
我刚开始机器学习，想在我的数据集上尝试几个模型。我正在寻找一个基于网络的工具，我可以上传我的数据(在我的例子中的图像)，选择一个预先培训的模型，然后查看其性能。接下来，我想对我自己的数据重新训练模型，或者使用某些参数。然后我可能想上传其他/自己的模型并查看它的性能。有人知道什么能帮到我吗？对我来说，在我的机器上建立所有不同的机器学习模型是非常乏味的。有很多ML文件没有提供一个很好的设置自述文件的适当实现。不同的python版本、GPU等等都存在问题。如果我只是想玩一玩，这感觉就像不必要的开销。
浏览 0提问于2021-12-05得票数 0
2回答
是否将噪声添加到输出数据中作为正则化技术，以避免对训练数据进行过度拟合？
它如何减少泛化误差并帮助正则化，因为据我所知，正则化与我们的模型的复杂性直接相关。
它与经过训练的模型的复杂性有什么关系？
浏览 6提问于2019-12-29得票数 1
Keras允许用户在拟合模型的同时，使用参数"validation_split“将数据分割为训练/测试样本。
示例：
model = Sequential()
model.add(Dense(3, activation = 'relu'))
//编译模型/
model.fit(X_train, y_train, validation_split = 0.2)
然而，我的直觉表明，使用validation_split (相对于创建训练，在拟合模型之前测试样本)会导致过度拟合，因为尽管validation_split在每个时期将批划分为训练和测试，但总体效果是整个数据集被模
浏览 0提问于2020-11-24得票数 -1
回答已采纳
在训练数据集上交叉验证超参数网格后，SparkML的CrossValidator是否重新适合整个训练数据集？如果不是，它会从交叉验证的哪一部分中选择用于推断的bestModel？
拟合的CrossValidator使.transform()方法可用。为此，CrossValidator是否使用最佳超参数在整个训练/交叉验证数据集上重新训练，并使用重新拟合的模型进行推理？
或者，bestModel用于推断所有交叉验证文件夹中的最佳性能模型(即，来自最佳性能超参数组合的最佳文件夹中的模型，仅对该文件夹的数据进行训练)？
我之所以这样问，是因为SparkML CrossValidator和scikit
浏览 22提问于2021-03-23得票数 0
1回答
如果我们使用训练数据集中的100个观测数据来拟合模型，那么下一步进行预测的指标将被指定为start=101，end=101。这将返回一个包含预测的元素的数组。
如果我们执行任何差异(配置模型时的d>0)，我们也希望预测的值在最初的标度中。这可以通过将typ参数设置为值‘level’：typ=‘level’来指定。
或者，我们可以通过使用预测()函数来避免所有这些规范，该函数使用模型执行一步预测。
我们可以将训练集分解为训练集和测试集，利用训练集来拟合模型，并对测试集上的每个元素进行预测。
浏览 1提问于2017-06-07得票数 1
回答已采纳
我在Stackoverflow上遇到了几个问题，其中大众面临的问题是他们在使用例如拟合/训练XGBoost模型之前对训练数据进行预处理，例如使用中心和尺度等
`
scaler = MinMaxScaler(feature_range=(0, 1))
X = scaler.fit_transform(X)
my_model_name = XGBClassifier()
my_model_name.fit(X,Y)`
其中X和Y分别是训练数据和标签，缩放将返回2D NumPy数组，从而丢失特征名称。
我已经训练了我的XGBoost模型，但使用的是预处理数据(使用MinMaxScaler的中心和
浏览 1提问于2019-03-01得票数 17
2回答
这是个过分合适的例子吗？
、、、
在大约100个时代之后，培训一个深度学习模式：
Train accuracy : 93 %
Test accuracy : 54 %
然后训练精度提高，测试精度下降：
Train accuracy : 94 %
Test accuracy : 53 %
Train accuracy : 95 %
Test accuracy : 52 %
Train accuracy : 96 %
Test accuracy : 51 %
对于模型的初始版本，我们满足了54%的精度，但是我不知道训练精度增加的意义，测试精度的下降除了模型是过拟合的。当达到最大测试精度时，我是否应该停止训练模型并使用经过训练的参
浏览 0提问于2018-09-07得票数 0
回答已采纳
1回答
如何减少预训练网络中的过度拟合
、、、、
我有一个有10个类的定制数据集，我正在使用一个来自火炬视觉的预先训练过的resnet18模型。我可以清楚地看到它的过度拟合，因为:该模型被训练为75个历元，批次大小为4，从epoch 30开始，验证精度停止增加，训练精度不断提高。
我为提高泛化性能和减少过度拟合所做的事情：
我用我的训练数据的计算平均值和性病来规范我的数据。
我增加了随机旋转，随机水平翻转和随机垂直翻转作为数据增强。
以上是所有这些结果之后，我想不出其他正则化技术，如果不改变模型的架构，这将完全违背预先训练的网络的目的，我使用一个，因为我只有大约300张图像在我的每堂课。
浏览 0提问于2020-07-12得票数 1
我想知道一个模型是否也是从测试数据中训练自己，同时对它进行多次评估，从而导致了一个过度拟合的场景。通常，我们将训练数据分成train-test分割，我注意到有些人将它分成3组数据-- train、test和eval。eval是对模型的最终评价。我可能错了，但我的观点是，如果上面提到的场景不是真的，那么就不需要eval数据集。
需要澄清一下。
浏览 5提问于2018-01-03得票数 1
回答已采纳
我已经使用朴素贝叶斯算法实现了ML模型，其中我想实现增量学习。我面临的问题是，当我训练我的模型时，它在预处理时生成1500个特征，然后在一个月后使用反馈机制，如果我想用可能包含一些新特征的新数据训练我的模型，可能小于或大于1500 (即，我以前的数据集)如果我使用fit_transform获取新特征，那么我现有的特征集就会丢失。
我一直在使用部分拟合，但部分拟合的问题是您需要与以前模型相同数量的功能。我如何让它增量地学习？
cv = CountVectorizer()
X = cv.fit_transform(corpus).toarray() #replaces my older feat
浏览 6提问于2018-12-26得票数 0
我将我的数据集分为训练和测试。在为训练数据集找到最佳超参数之后，我是否应该使用所有数据再次拟合模型？重点是要达到新数据可能的最高分数。
浏览 32提问于2020-01-22得票数 0
回答已采纳
1回答
我现在使用libsvm作为带有高斯核的支持向量机分类器。在中，它提供了一个python脚本grid.py来选择最佳的C和gamma。
我只是想知道训练时间和过度适应/不适应与伽马和C的变化？
是否正确：
假设C从0到+无穷大，训练模型将由不适当拟合变为过度拟合，训练时间增加？
假设伽马从几乎0到+无穷大，训练后的模型会从不拟合变为过度拟合，训练时间也会增加？
在grid.py中，默认的搜索顺序是C从小到大，伽马从大到小。这是否是为了从小到大的训练时间和训练模式从不适当到过度？所以我们可以节省时间来选择C和γ的值吗？
谢谢和问候！
浏览 3提问于2010-02-16得票数 1
1回答
我有一个包含3961个不同行和32列的训练数据，我希望将其适合随机森林和梯度提升模型。在训练时，我需要微调模型的超参数，以获得尽可能好的AUC。为此，我使用Scipy中描述的盆地跳跃算法最小化数量1-AUC(Y_real，Y_pred)；因此我的训练和内部验证子样本是相同的。
当优化完成后，我得到了随机森林的AUC=0.994，而对于梯度提升我得到了AUC=1。我是不是对这些模型过度拟合了？我怎么知道在训练过程中什么时候发生了过拟合？
浏览 10提问于2021-01-20得票数 0
1回答
我有一个pandas dataset where col1 ->输入文本(使用预训练的记号赋值器对文本进行标记化)，col2 ->二进制分类0,1.将其转换为tensorflow数据集
dataset = tf.data.Dataset.from_generator(lambda: dataset, output_types=(tf.string, tf.int32))
创建模型
def build_classifier_model():
text_input = tf.keras.layers.Input(shape=(), dtype=tf.string, name=&#
浏览 1提问于2021-01-02得票数 0
我使用gridsearchcv来调优我的模型的参数，我也使用管道和交叉验证。当我运行模型来调优XGBoost的参数时，它返回nan。但是，当我对其他分类器(如随机林)使用相同的代码时，它可以工作，并返回完整的结果。
kf = StratifiedKFold(n_splits=10, shuffle=False)
SCORING = ['accuracy', 'precision', 'recall', 'f1' ]
# define parametres for hypertuning
params = {
'
浏览 0提问于2021-03-27得票数 3
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
腾讯会议活动推荐
腾讯云开发者
