知识卡片
用测试误判率选隐层
数据:UCI 红葡萄酒 1599 条,11 个理化指标(酸度、糖分、氯化物、二氧化硫、密度、pH、硫酸盐、酒精浓度),响应 quality 为 3~8 分。做法:3~5 分并为 bad、6~8 分为 good 并转因子,特征归一化,7:3 分训练/测试。 建模:nnet(quality~., data=train, size=2, rang=r, decay=1e-5, maxit=400),分类以熵为准则;predict(type=“class”) 后 table() 得混淆矩阵,238 个 bad 中 175 个正确,242 个 good 中 193 个正确。 选参:在 size=1~20 上循环建模,记录两组误判率。训练误判率随节点增加而下降,测试误判率不降反升,说明过拟合;size=3 时测试误判率最小(约 0.227),故取 size=3。
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
- 第6章 神经网络与深度学习 · 查看原书依据
随着隐层神经元个数的增加,训练集误判率呈下降趋势,说明模型对训练数据拟合得越来越好;而测试集误判率并未下降,这是由于出现了过拟合现象。
参考来源
- 位置:《大数据挖掘与统计机器学习》第6章 神经网络与深度学习(源文件:extracted/大数据挖掘与统计机器学习/_epub-src/OEBPS/Text/chapter8_0003.xhtml,6.3.2 红葡萄酒品质数据)
- 结论依据:原文给出红酒数据的变量与二值化处理、混淆矩阵结果,以及用 1~20 个隐层节点的误判率曲线选参的过程。
- 原始内容:随着隐层神经元个数的增加,训练集误判率呈下降趋势,说明模型对训练数据拟合得越来越好;而测试集误判率并未下降,这是由于出现了过拟合现象。