添加正则化导致性能变慢和变差

当我增加更强的正则化(例如,L2正则化参数从1增加到10,或者dropout参数从0.75降低到0.5)时,我的模型性能变慢且变差(例如,测试准确率在3000-4000次迭代中从97-98%下降到94-95%)。这可能有什么原因吗?我可以确认所有代码都正确实现了。谢谢!

编辑:我想补充说明,我的程序存在大约1%的过拟合现象,并且无论是否使用dropout,训练和测试准确率之间的差异大致相同。


回答:

准确率急剧下降的原因可能是欠拟合。尝试使用小于1的L2正则化值,例如[0.01,0.03,0.1,0.3,0.9],看看效果如何。

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注