知识卡片

操作参考卡 · 9635.x · 生成模型:DeepSeek-V4.1-Flash

用测试误判率选隐层

理解等级:高级

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?

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

    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。