мой вопрос: Matlab 2010 предоставляет варианты тестирования, периоды проверки в процессе нейронной сети. это разделение данных или мне придется использовать «перекрестную проверку» для разделения данных?
разделение данных в обучающих тестовых наборах проверки в Matlab 2010
04.07.2012
Ответы:
1
Вот выдержка из документации:
Общая практика при обучении многослойных сетей состоит в том, чтобы сначала разделить данные на три подмножества. Первое подмножество — это обучающий набор, который используется для вычисления градиента и обновления весов и смещений сети. Второе подмножество — это набор проверки. Ошибка на проверочном наборе отслеживается в процессе обучения. [...] Ошибка тестового набора не используется во время обучения, но используется для сравнения разных моделей. [...]
Предусмотрено четыре функции для разделения данных на обучающие, проверочные и тестовые наборы: dividerand, divideblock, divideint и divideind. (на самом деле есть пятый dividetrain, который назначает все экземпляры для обучения)
Более сложные методы (перекрестная проверка, стратификация и т. д.) можно найти в функциях cvpartition или crossvalind.
04.07.2012
Новые материалы
Кластеризация: более глубокий взгляд
Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..
Как написать эффективное резюме
Предложения по дизайну и макету, чтобы представить себя профессионально
Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..
Частный метод Python: улучшение инкапсуляции и безопасности
Введение
Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..
Как я автоматизирую тестирование с помощью Jest
Шутка для победы, когда дело касается автоматизации тестирования
Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..
Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv)
Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..
Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..
Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..