浅析机器学习中的模型选择与调参(cross validation + grid search)
来源:互联网 发布:星际淘宝网无弹窗 编辑:程序博客网 时间:2024/06/11 22:39
对于一个预测问题,同时有多种可用的模型,每种模型有多种可用的参数。如何选择一个最合适的模型?
总题过程分为2个部分:
1.对于一个模型,如何评估该模型在特定问题上的好坏?
2.选择了最好的模型后,如何选择最优的参数?
对于模型的评估,我们一般使用交叉验证(cross validation)来进行评估。 在这里我们使用了k折叠法,将训练集划分为相等的k份。然后从1~k中每次选择一份作为测试集,其余的k-1份作为训练集,训练好后利用某种评分规则对模型进行评分,最后以k个评分中最高的作为该模型的评分。
常见的评分规则有:R方值,F值,t值
R square是决定系数,意思是你拟合的模型能解释因变量的变化的百分数,例如R方=0.810,表示你拟合的方程能解释因变量81%的变化,还有19%是不能够解释的.
F值是方差检验量,是整个模型的整体检验,看你拟合的方程有没有意义
t值是对每一个自变量(logistic回归)的逐个检验,看它的beta值β即回归系数有没有意义
F和t的显著性都是0.05
当我们对每一个模型都进行了交叉验证后,就能够选出一个对于当前问题最优的模型。接下来就需要解决第二个问题:对模型调参。在这里我们使用网格搜索(grid search)来对模型选择一套合适的参数。以支持向量机为例,其参数有gamma和C,那么其构成的二元组(1,1),(0.1,1),(1,10)..就可以看做是若干个“网格”。那么网格搜索就是,对于支持向量机这个模型,对于每个网格都进行一次交叉验证评估,最后得到评分最高的一组网格,那么最后我们就建立起了最优的模型
下面附上使用sklearn实现交叉验证和网格搜索的代码(kaggle中的牛人笔记):
从这里,我们就确定了选用Hubber模型进行网格搜索:
最后我们就得到了一个最优的模型!
转载自:http://blog.csdn.net/qq547276542/article/details/75455629
相关链接:
https://stackoverflow.com/questions/19335165/cross-validation-and-grid-search
阅读全文
0 0
- 浅析机器学习中的模型选择与调参(cross validation + grid search)
- 浅析机器学习中的模型选择与调参(cross validation + grid search)
- 机器学习中的交叉验证(cross-validation)
- 机器学习中的交叉验证(cross-validation)
- [机器学习]如何选择模型--cross validation
- 【机器学习】交叉验证(cross-validation)
- 机器学习之Validation(验证,模型选择)
- 机器学习-->sklearn.Cross-validation
- scikit-learn交叉验证Cross Validation and Grid Search
- 斯坦福大学机器学习——交叉验证(Cross Validation)
- 机器学习(五)使用sklearn库的cross validation
- 机器学习----交叉验证(Cross Validation)简介
- 斯坦福大学机器学习——交叉验证(Cross Validation)
- 机器学习-sklearn库的Cross Validation
- 机器学习中的validation
- 机器学习笔记-模型评估与选择, Training set、Validation set 和 Testing set的区别与作用
- 机器学习调参-模型选择
- 【机器学习】交叉验证和K-折交叉验证cross-validation and k-fold cross-validation
- 03 实现一个Django的网站
- 返回值超过32位时的存储
- 四色原型
- eclipse安装JBoss Tools插件
- leetcode: 70. Climbing Stairs
- 浅析机器学习中的模型选择与调参(cross validation + grid search)
- 数据结构笔记(二)线性表的链式表示和基本操作
- ACM 字符串综合一
- C语言——Keywords&printf&scanf
- 欢迎使用CSDN-markdown编辑器
- C++两个原则
- IOS开发之——objectForKey与valueForKey在NSDictionary中的差异
- HDU
- 【设计模式】装饰者模式