擅长:python、mysql、java
<p>我的回答将非常笼统,因为有一些信息缺失,以便为您的问题提供准确的答案</p>
<p>首先,关于比较权重。Keras中有一个内置函数,允许您从模型的某个层检索权重。
layer.get_weights()#将层的权重作为Numpy数组列表返回</p>
<p>但更具体的是你的模型。我可以看出,您基本上是在对数据执行逻辑回归,以解决分类问题。有许多方面允许您比较两个不同的模型,但在本例中,您基本上是在两个不同的数据集上应用数学方法。因此,通过构建,每个数据集的权重将不同。这两种情况之间的比较并不能让您真正了解模型的泛化能力。包含较少“噪音”的数据集将使逻辑回归的性能更好——这就是你所能说的</p>
<p>只要您坚持使用logit模型等基本技术,我建议您检查包<a href="https://www.statsmodels.org/stable/generated/statsmodels.discrete.discrete_model.Logit.html#statsmodels.discrete.discrete_model.Logit" rel="nofollow noreferrer">'statsmodels'</a>。该软件包基于统计(例如,对于线性回归->;OLS)方法而不是梯度下降法执行这些类型的回归,在这种情况下,梯度下降法可能不是最佳解决方案</p>
<p>我所写的一切都是理论性的和一般性的,可能并不完全适合您的需求和数据集,但我相信它可能会帮助您解决您提出的问题。
请随时提出更多问题,并提供有关您的问题的更多具体细节</p>
<p>更新:
您希望在可视化中看到什么?
回归本身?作为时代功能的损失?你的特征系数是多少</p>