知识卡片
交叉验证每折重建训练流程
K 折交叉验证要让每一折的测试部分模拟未参与训练的新数据:每折重新初始化模型,只在其余 K−1 折拟合模型和预处理参数,再用同一变换处理该折测试数据并评分。若先用全部样本计算归一化范围,测试折信息已进入训练流程;若沿用上一折训练过的模型,当前测试折可能曾被用于训练。两者都可能使分数偏乐观。书中小麦示例先对全数据归一化,且在循环前只创建一次网络,不能把输出分数当成严格隔离的交叉验证结果。
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
- BP算法双向传,链式求导最缠绵 10.5 BP算法实战详细解释 · 查看原书依据
我们利用交叉验证的方法,把210个数据样本等分为5份
参考来源
- 位置:《深度学习之美:AI时代的数据处理与最佳实践》第10章《BP算法双向传,链式求导最缠绵》,10.5.5 利用BP算法预测小麦品种的分类(book-source:extracted/深度学习之美:AI时代的数据处理与最佳实践/_epub-src/OEBPS/Text/chapter15_0005.xhtml#txt010_16)
- 结论依据:原文范例 10-5 的数据读取先执行归一化,再分折;网络在折循环外初始化并重复训练。该诊断依据代码图,不以书中分数证明泛化。
- 原始内容:为了验证算法的正确性,我们利用交叉验证的方法,把210个数据样本等分为5份,训练集和测试集彼此轮流互换。