普通参数都可以通过不断的学习(模型训练)而得到。
但是一般情况下,超参数是学习不来的。
它是提前定义好一系列值(一般在log范围均匀分布,如0.001 0.01 0.1 1 10 100 1000等),然后通过迭代学习,得到最好的超参数,这个过程我们称为调参,其实就是优化求解的过程。
二、正则化项λ权衡 模型复杂度和正则项。
正则化越弱,说明模型更加关注样本点。但是这么做也容易造成过拟合。
正则化强,容忍更多的错误。它更多的关心是防止过拟合(关心模型的复杂度,不关心每个样本的错误)
普通参数都可以通过不断的学习(模型训练)而得到。
但是一般情况下,超参数是学习不来的。
它是提前定义好一系列值(一般在log范围均匀分布,如0.001 0.01 0.1 1 10 100 1000等),然后通过迭代学习,得到最好的超参数,这个过程我们称为调参,其实就是优化求解的过程。
二、正则化项λ权衡 模型复杂度和正则项。
正则化越弱,说明模型更加关注样本点。但是这么做也容易造成过拟合。
正则化强,容忍更多的错误。它更多的关心是防止过拟合(关心模型的复杂度,不关心每个样本的错误)
版权声明:该文观点仅代表作者本人。处理文章:请发送邮件至 三1五14八八95#扣扣.com 举报,一经查实,本站将立刻删除。