- 博客(4)
- 收藏
- 关注
RSS订阅转载 交叉验证相关
1. cross-validation的结果稳定并不能说明没有过拟合。2. 确定是否过拟合，要看variance是否比较高。3. 判断variance是否比较高，要看test error是否比traing error明显高很多。4. test error和training error的比较可以用10轮交叉验证的test error与training error的均值进行。交叉验证与
2017-11-27 18:45:29
315
转载 交叉验证的用处
以下内容转载自两篇博文，具体地址直接百度可以看到~1.交叉验证可以用来确定模型的参数一般来说准确率(accuracy)会用于判断分类(Classification)模型的好坏。#coding:utf-8from sklearn.datasets import load_iris # iris数据集from sklearn.model_selection import train
2017-11-27 17:37:16
3269
原创 sklearn中的交叉验证和数据划分
给定一个训练数据集合，寻找一个模型去fit这个训练数据，如果在全部的训练数据上训练获得模型并且在全部的训练数据上测试模型，则测试结果会很好；但是对于未知的数据泛化效果会很不好，即过拟合。所以需要在不同的数据集上训练和测试。import numpy as npfrom sklearn.model_selection import train_test_splitfrom sk
2017-11-27 16:38:28
4023
原创 交叉验证
交叉验证写的不错的一些文章https://en.wikipedia.org/wiki/Cross-validation_(statistics)http://scikit-learn.org/stable/modules/cross_validation.htmlhttps://www.cnblogs.com/sddai/p/5696834.htmlhttp://www
2017-11-27 11:02:21
230
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人