2024-04-24 05:10:46 发布
网友
我在{}中使用了{}。总是有很多警告。我检查了结果,结果看起来不错。所以我想知道忽略这些警告是否安全。我的一些想法是:
tl;dr这几乎总是好的,一定要注意学习曲线
因此,LassoCV实现了Lasso回归,通过某种梯度下降(更精确的是坐标下降,这是一种更简单的方法)对参数进行优化,并且作为所有梯度方法,该方法需要定义:
最流行的停止标准可能是:
a)固定的步骤数量(就时间而言,选择1000个步骤是很好的,因为与1个步骤相比,1000个步骤正好需要x1000个时间,因此很容易管理培训所花费的时间)
b)步骤n和n-1期间损失函数值之间的固定增量(差异)(可能更好的分类/回归质量)
n
n-1
您观察到的警告是因为LassoCV使用第一个标准(固定步数),但也检查第二个标准(增量),一旦达到固定步数,算法停止,增量的默认值对于大多数真实数据集来说太小
为了确保你训练模型的时间足够长,你可以画出一条学习曲线:每训练10-20-50步后,损失值,一旦达到高原,你最好停下来
tl;dr这几乎总是好的,一定要注意学习曲线
因此,LassoCV实现了Lasso回归,通过某种梯度下降(更精确的是坐标下降,这是一种更简单的方法)对参数进行优化,并且作为所有梯度方法,该方法需要定义:
最流行的停止标准可能是:
a)固定的步骤数量(就时间而言,选择1000个步骤是很好的,因为与1个步骤相比,1000个步骤正好需要x1000个时间,因此很容易管理培训所花费的时间)
b)步骤
n
和n-1
期间损失函数值之间的固定增量(差异)(可能更好的分类/回归质量)您观察到的警告是因为LassoCV使用第一个标准(固定步数),但也检查第二个标准(增量),一旦达到固定步数,算法停止,增量的默认值对于大多数真实数据集来说太小
为了确保你训练模型的时间足够长,你可以画出一条学习曲线:每训练10-20-50步后,损失值,一旦达到高原,你最好停下来
相关问题 更多 >
编程相关推荐