CSDN论坛 > 其他开发语言 > 其他开发语言

神经网络(cnn)训练集正确率88%,测试集只有50%,这是为什么 [问题点数:40分]

Bbs1
本版专家分:0
结帖率 0%
CSDN今日推荐
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs4
本版专家分:1380
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
Bbs1
本版专家分:0
匿名用户不能发表回复!
其他相关推荐
为什么要划分训练集、验证集、测试集?
训练集、验证集、测试集的定义如下: 训练集:用来学习的样本集,用于分类器参数的拟合。 验证集:用来调整分类器超参数的样本集,如在神经网络中选择隐藏层神经元的数量。 测试集:仅用于对已经训练好的分类器进行性能评估的样本集。 引用于:业界 | 似乎没区别,但你混淆过验证集和测试集吗? 在我们使用验证集作为调整模型的超参数的时候,其实是在让模型拟
如何分训练集和测试集,如何算召回率和准确率?
如《推荐系统》(蒋凡译)第117页所给例子,用户ID为234的用户,所有他参与过平分的评分记录有10条,其中选第5,8两行作为测试集,其他8行作为训练集。(a表示随机选取的测试集) step1:通过所有用户的历史评分数据,训练模型,此处暂且用基于用户的推荐作为模型 step2:对用户234,对item进行预测评分,已评分的和未评分的item都要预测。假设得到评分元祖如下: {(912,4.8
深度学习训练及测试时的三个“集”
以前只知道训练集和测试集,比如cifar-10的训练,训练时候无非就是把10,000个图片(比如),分成两份,一份8000作为训练,一份2000作为测试。 训练时候就是把8000个图片送到网络中,根据预测结果跟实际标签的对比不断的调整网络中的权值,而测试集的作用无非就是把训练阶段中产生的权值拿出来测一测,看看现在训练结果怎么样了,测试集不参与网络的更新。 后来又听说有验证集,这个验证集
10如何检验神经网络?
在神经网络的训练当中, 神经网络可能会因为各种各样的问题, 出现学习的效率不高, 或者是因为干扰太多, 学到最后并没有很好的学到规律 . 而这其中的原因可能是多方面的, 可能是数据问题, 学习效率 等参数问题. 1、训练集和测试集(验证集):检验数据,我们一般将现有的数据划分成两个集合:训练集和测试集,使用训练集训练模型,使用测试集考察训练的模型对于未见样本的泛化能力。 2、误差曲线:机器
应用libsvm对训练集进行训练并测试得出正确率和召回率
package org.lw.fenlei; import java.io.BufferedReader; import java.io.File; import java.io.FileInputStream; import java.io.InputStream; import java.io.InputStreamReader; import libsvm.svm; impor
BP神经网络算法(鸢尾花)附带相关训练集及测试集
BP神经网络算法(鸢尾花)附带相关训练集及测试集,Iris(鸢尾花)数据集分为训练集(Iris-train.txt)和测试集(Iris-test.txt),分别含75个样本,每个集合中每种花各有25个样本。
tensorflow:训练集、测试集、验证集
训练集(train)、验证集(validation)和测试集(test)的意义有监督的机器学习中,一般需要将样本分成独立的三部分训练集(train set),验证集(validation set)和测试集(test set)。其中训练集用来估计模型,验证集用来确定网络结构或者控制模型复杂程度的参数,而测试集则检验最终选择最优的模型的性能如何。训练集(train)、验证集(validation)和测...
CNN卷积神经网络实现验证码识别(准确率达99%)
基于python生成验证码,并用CNN进行训练识别,验证码四位,如果由数字,小写字母,大写字母组成,那么cpu要跑很久很久,所以这里的验证码只包含了四位数字,一共有10*10*10*10个可能的数据。通过卷积神经模型,准确率达到了99%,大约迭代1200次左右,运行时间不算太长!!下面附上代码和效果图!!!!具体的细节就不介绍了,最近有点忙~~~,有问题可以评论!!!我会解答!!
机器学习中,从样本集合分得训练集、测试集的三种方法
一、为什么要分开训练集与测试集在机器学习中,我们是依靠对学习器的泛化误差进行评估的方法来选择学习器。具体方法如下:我们需要从训练集数据中产出学习器,再用测试集来测试所得学习器对新样本的判别能力,以测试集上的测试误差作为泛化误差的近似,来选取学习器。通常我们假设训练集、测试集都是从样本集中独立同分布采样得到,且测试集、训练集中的样本应该尽可能互斥(测试集中的样本尽量不在训练集中有出现、尽量不在训练过程
深度学习总结(八)——训练、开发和测试集及偏差和方差
1. 数据集的划分小数据时代: 70%(训练集)/30%(测试集)或者60%(训练集)/20%(验证集)/20%(测试集) 大数据时代: 验证集和测试集的比例要逐渐减小,比如: 980000/10000/100002. 验证集和测试集的作用深度学习需要大量的数据,我们可能会采用网上爬取的方式获得训练集,容易出现训练集和验证集、测试集分布不一致的情况,由于验证集的目的就是为了验证不同的算法,选取效
关闭