python - 如果我在非常小的训练数据集上不能得到 0 错误,这意味着什么?
问题描述
为了验证网络是否可以潜在地学习,人们经常尝试过度拟合小数据集。
我的数据集无法达到 0 错误,但输出看起来像该网络记住了训练集。(MPAE ~1 %)
为了证明我的网络可能在我的数据集上工作,是否绝对有必要获得 0 错误?
解决方案
简短的回答:没有
原因:
- 可能是少数示例未标记。在分类的情况下,尝试识别它无法正确分类的示例。这将告诉您您的网络是否已经学会了它所能学习的一切。
- 如果您的数据没有可以学习的模式,也可能发生这种情况——如果数据本质上是随机的。
- 如果数据有噪声,有时噪声会掩盖预测所需的特征。
- 如果数据集是混乱的,因为标签之间(和之间)特征变化迅速且剧烈 - 如果您的数据遵循非常复杂(非平滑)的函数。
希望这可以帮助!
推荐阅读
- python - Tkinter 文本转语音
- sql - BigQuery SQL:按键动态连接列中的所有行
- angular - 我无法将 [href] 与我的变量值绑定
- powerbi - PowerBI 上个月筛选类别的运行总计
- r - 用包括 NA 在内的许多值重新编码数值变量
- html - 在 H1 内使用跨度时,H1 未水平居中(仅添加到右侧)
- php - 使用 Firebase 的 Laravel 推送通知
- html - linux上的vscode,安装并启用了智能感知,但无法正常工作
- c++ - 如何实现添加和删除数组元素?
- android - 当应用在 Google Play 商店上线时,用户是否也能看到额外的成就?