


Memperkenalkan konsep pengesahan silang dan kaedah pengesahan silang biasa
Pengesahan silang ialah kaedah penilaian prestasi model pembelajaran mesin yang biasa digunakan. Ia membahagikan set data kepada berbilang subset tidak bertindih, sebahagian daripadanya berfungsi sebagai set latihan dan selebihnya berfungsi sebagai set ujian. Melalui latihan dan ujian berbilang model, prestasi purata model diperoleh sebagai anggaran prestasi generalisasi. Pengesahan silang boleh menilai dengan lebih tepat keupayaan generalisasi model dan mengelakkan masalah terlalu muat atau kurang muat.
Kaedah cross-validation yang biasa digunakan adalah seperti berikut:
1 Simple cross-validation
Biasanya, kami membahagikan set data kepada set latihan dan set ujian, yang mana set latihan. menyumbang 70% daripada jumlah data kepada 80%, dan data selebihnya digunakan sebagai set ujian. Gunakan set latihan untuk melatih model, dan kemudian gunakan set ujian untuk menilai prestasi model. Satu kelemahan pendekatan ini ialah ia sangat sensitif terhadap cara set data dibahagikan. Jika pemisahan set latihan dan ujian tidak sesuai, ia mungkin membawa kepada penilaian prestasi model yang tidak tepat. Oleh itu, pemilihan kaedah segmentasi yang sesuai adalah sangat penting untuk mendapatkan keputusan penilaian model yang tepat.
2. Pengesahan silang lipatan K
Bahagikan set data kepada bahagian K, gunakan satu bahagian sebagai set ujian setiap kali, dan bahagian K-1 yang tinggal sebagai set latihan, dan kemudian latih model dan ujian. Ulang K kali, menggunakan bahagian yang berbeza sebagai set ujian setiap kali, dan akhirnya purata keputusan penilaian K untuk mendapatkan keputusan penilaian prestasi model. Kelebihan pendekatan ini ialah ia tidak sensitif terhadap cara set data dibahagikan, membolehkan penilaian prestasi model yang lebih tepat.
3. Kaedah bootstrapping cross-validation
Kaedah ini terlebih dahulu memilih n sampel daripada set data dengan penggantian sebagai set latihan, dan sampel yang selebihnya digunakan sebagai set ujian untuk melatih dan menguji model. Kemudian letakkan semula set ujian ke dalam set data, pilih n sampel secara rawak sebagai set latihan, dan sampel yang tinggal sebagai set ujian, ulangi K kali. Akhir sekali, keputusan penilaian K dipuratakan untuk mendapatkan keputusan penilaian prestasi model. Kelebihan pengesahan silang bootstrapping ialah ia boleh menggunakan sepenuhnya semua sampel dalam set data, tetapi kelemahannya ialah ia menggunakan semula sampel, yang mungkin membawa kepada varians yang lebih besar dalam keputusan penilaian.
4. Tinggalkan satu-keluar pengesahan silang
Kaedah ini adalah menggunakan setiap sampel sebagai set ujian untuk melatih dan menguji model, mengulangi K kali. Akhir sekali, keputusan penilaian K dipuratakan untuk mendapatkan keputusan penilaian prestasi model. Kelebihan pengesahan silang leave-one-out ialah ia lebih tepat dalam menilai set data kecil Kelemahannya ialah ia memerlukan sejumlah besar latihan dan ujian model, dan kos pengiraan adalah tinggi.
5. Pengesahan silang berstrata
Kaedah ini berdasarkan pengesahan silang K-fold, menstratkan set data mengikut kategori untuk memastikan perkadaran setiap kategori dalam set latihan dan set ujian adalah sama. Kaedah ini sesuai untuk masalah pelbagai klasifikasi di mana bilangan sampel antara kelas tidak seimbang.
6. Pengesahan silang siri masa
Kaedah ini ialah kaedah pengesahan silang untuk data siri masa Ia mengelakkan penggunaan data masa hadapan untuk melatih model dengan membahagikan set latihan dan set ujian dalam susunan kronologi. Pengesahan silang siri masa biasanya menggunakan kaedah tetingkap gelongsor, iaitu, menggelongsor set latihan dan ujian yang ditetapkan ke hadapan mengikut langkah masa tertentu, dan berulang kali melatih dan menguji model.
7. Pengesahan silang berulang
Kaedah ini berdasarkan pengesahan silang K-lipat, pengesahan silang berulang beberapa kali, setiap kali menggunakan benih rawak yang berbeza atau kaedah pembahagian set data yang berbeza, dan akhirnya berbilang. keputusan penilaian prestasi model diperoleh dengan purata keputusan penilaian. Pengesahan silang berulang boleh mengurangkan varians keputusan penilaian prestasi model dan meningkatkan kebolehpercayaan penilaian.
Ringkasnya, kaedah pengesahan silang ialah kaedah penilaian model yang sangat penting dalam bidang pembelajaran mesin. Ia boleh membantu kami menilai prestasi model dengan lebih tepat dan mengelakkan masalah pemasangan yang berlebihan atau kurang. Kaedah pengesahan silang yang berbeza sesuai untuk senario dan set data yang berbeza, dan kita perlu memilih kaedah pengesahan silang yang sesuai mengikut situasi tertentu.
Atas ialah kandungan terperinci Memperkenalkan konsep pengesahan silang dan kaedah pengesahan silang biasa. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Anotasi imej ialah proses mengaitkan label atau maklumat deskriptif dengan imej untuk memberi makna dan penjelasan yang lebih mendalam kepada kandungan imej. Proses ini penting untuk pembelajaran mesin, yang membantu melatih model penglihatan untuk mengenal pasti elemen individu dalam imej dengan lebih tepat. Dengan menambahkan anotasi pada imej, komputer boleh memahami semantik dan konteks di sebalik imej, dengan itu meningkatkan keupayaan untuk memahami dan menganalisis kandungan imej. Anotasi imej mempunyai pelbagai aplikasi, meliputi banyak bidang, seperti penglihatan komputer, pemprosesan bahasa semula jadi dan model penglihatan graf Ia mempunyai pelbagai aplikasi, seperti membantu kenderaan dalam mengenal pasti halangan di jalan raya, dan membantu dalam proses. pengesanan dan diagnosis penyakit melalui pengecaman imej perubatan. Artikel ini terutamanya mengesyorkan beberapa alat anotasi imej sumber terbuka dan percuma yang lebih baik. 1.Makesen

Dalam bidang pembelajaran mesin dan sains data, kebolehtafsiran model sentiasa menjadi tumpuan penyelidik dan pengamal. Dengan aplikasi meluas model yang kompleks seperti kaedah pembelajaran mendalam dan ensemble, memahami proses membuat keputusan model menjadi sangat penting. AI|XAI yang boleh dijelaskan membantu membina kepercayaan dan keyakinan dalam model pembelajaran mesin dengan meningkatkan ketelusan model. Meningkatkan ketelusan model boleh dicapai melalui kaedah seperti penggunaan meluas pelbagai model yang kompleks, serta proses membuat keputusan yang digunakan untuk menerangkan model. Kaedah ini termasuk analisis kepentingan ciri, anggaran selang ramalan model, algoritma kebolehtafsiran tempatan, dsb. Analisis kepentingan ciri boleh menerangkan proses membuat keputusan model dengan menilai tahap pengaruh model ke atas ciri input. Anggaran selang ramalan model

Dalam istilah orang awam, model pembelajaran mesin ialah fungsi matematik yang memetakan data input kepada output yang diramalkan. Secara lebih khusus, model pembelajaran mesin ialah fungsi matematik yang melaraskan parameter model dengan belajar daripada data latihan untuk meminimumkan ralat antara output yang diramalkan dan label sebenar. Terdapat banyak model dalam pembelajaran mesin, seperti model regresi logistik, model pepohon keputusan, model mesin vektor sokongan, dll. Setiap model mempunyai jenis data dan jenis masalah yang berkenaan. Pada masa yang sama, terdapat banyak persamaan antara model yang berbeza, atau terdapat laluan tersembunyi untuk evolusi model. Mengambil perceptron penyambung sebagai contoh, dengan meningkatkan bilangan lapisan tersembunyi perceptron, kita boleh mengubahnya menjadi rangkaian neural yang mendalam. Jika fungsi kernel ditambah pada perceptron, ia boleh ditukar menjadi SVM. yang ini

Artikel ini akan memperkenalkan cara mengenal pasti pemasangan lampau dan kekurangan dalam model pembelajaran mesin secara berkesan melalui keluk pembelajaran. Underfitting dan overfitting 1. Overfitting Jika model terlampau latihan pada data sehingga ia mempelajari bunyi daripadanya, maka model tersebut dikatakan overfitting. Model yang dipasang terlebih dahulu mempelajari setiap contoh dengan sempurna sehingga ia akan salah mengklasifikasikan contoh yang tidak kelihatan/baharu. Untuk model terlampau, kami akan mendapat skor set latihan yang sempurna/hampir sempurna dan set pengesahan/skor ujian yang teruk. Diubah suai sedikit: "Punca overfitting: Gunakan model yang kompleks untuk menyelesaikan masalah mudah dan mengekstrak bunyi daripada data. Kerana set data kecil sebagai set latihan mungkin tidak mewakili perwakilan yang betul bagi semua data. 2. Underfitting Heru

Pada tahun 1950-an, kecerdasan buatan (AI) dilahirkan. Ketika itulah penyelidik mendapati bahawa mesin boleh melakukan tugas seperti manusia, seperti berfikir. Kemudian, pada tahun 1960-an, Jabatan Pertahanan A.S. membiayai kecerdasan buatan dan menubuhkan makmal untuk pembangunan selanjutnya. Penyelidik sedang mencari aplikasi untuk kecerdasan buatan dalam banyak bidang, seperti penerokaan angkasa lepas dan kelangsungan hidup dalam persekitaran yang melampau. Penerokaan angkasa lepas ialah kajian tentang alam semesta, yang meliputi seluruh alam semesta di luar bumi. Angkasa lepas diklasifikasikan sebagai persekitaran yang melampau kerana keadaannya berbeza daripada di Bumi. Untuk terus hidup di angkasa, banyak faktor mesti dipertimbangkan dan langkah berjaga-jaga mesti diambil. Para saintis dan penyelidik percaya bahawa meneroka ruang dan memahami keadaan semasa segala-galanya boleh membantu memahami cara alam semesta berfungsi dan bersedia untuk menghadapi kemungkinan krisis alam sekitar

Cabaran biasa yang dihadapi oleh algoritma pembelajaran mesin dalam C++ termasuk pengurusan memori, multi-threading, pengoptimuman prestasi dan kebolehselenggaraan. Penyelesaian termasuk menggunakan penunjuk pintar, perpustakaan benang moden, arahan SIMD dan perpustakaan pihak ketiga, serta mengikuti garis panduan gaya pengekodan dan menggunakan alat automasi. Kes praktikal menunjukkan cara menggunakan perpustakaan Eigen untuk melaksanakan algoritma regresi linear, mengurus memori dengan berkesan dan menggunakan operasi matriks berprestasi tinggi.

Penterjemah |. Disemak oleh Li Rui |. Chonglou Model kecerdasan buatan (AI) dan pembelajaran mesin (ML) semakin kompleks hari ini, dan output yang dihasilkan oleh model ini adalah kotak hitam – tidak dapat dijelaskan kepada pihak berkepentingan. AI Boleh Dijelaskan (XAI) bertujuan untuk menyelesaikan masalah ini dengan membolehkan pihak berkepentingan memahami cara model ini berfungsi, memastikan mereka memahami cara model ini sebenarnya membuat keputusan, dan memastikan ketelusan dalam sistem AI, Amanah dan akauntabiliti untuk menyelesaikan masalah ini. Artikel ini meneroka pelbagai teknik kecerdasan buatan (XAI) yang boleh dijelaskan untuk menggambarkan prinsip asasnya. Beberapa sebab mengapa AI boleh dijelaskan adalah penting Kepercayaan dan ketelusan: Untuk sistem AI diterima secara meluas dan dipercayai, pengguna perlu memahami cara keputusan dibuat

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada
