知识卡片
模型容量并非越大越好
RBF数量少时模型可能表达不了数据关系,数量多时训练更复杂,也可能记住样本而损害泛化。容量是结构选择,需要比较独立评价表现和训练成本。书中五个RBF来自案例试验,不是对其他数据集的普遍最佳配置。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 遗传算法 3.2 连续问题的遗传算法 · 查看原书依据
如果将RBF数量设置得太低,则创建的模型会很简单,以至于无法从信息中学习;如果将RBF数量设置得太高,则创建的网络会很复杂且难以训练,并可能导致过度拟合。这是我们不希望的情况,这时模型开始将数据存储在数据集中,而不是学习
参考来源
- 位置:《人工智能算法(卷2):受大自然启发的算法》第3章《遗传算法》,原书小节“3.2 连续问题的遗传算法”(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/人工智能算法(卷2):受大自然启发的算法/_epub-src/OEBPS/Text/chapter003.html#nav_point_58)
- 结论依据:原文同时说明结构过小、过大、过拟合和五个RBF的经验来源。
- 原始内容:如果将RBF数量设置得太低,则创建的模型会很简单,以至于无法从信息中学习;如果将RBF数量设置得太高,则创建的网络会很复杂且难以训练,并可能导致过度拟合。这是我们不希望的情况,这时模型开始将数据存储在数据集中,而不是学习