我浏览了 tf.contrib.learn的快速入门教程，它使用了 Iris 数据集。训练 DNN 模型后，我的准确率约为 0.967。
为了提高准确性，我尝试改变隐藏层的数量和大小，将步骤加倍，并更改优化器和学习率。但是，准确度不会增加（或减少）。
这可能是数据集限制吗？
关于如何提高性能的任何想法？在我盲目地进入另一个教程之前，我希望能够深入研究 NN 并尝试对其进行优化。
提高 Iris 数据集的分类准确度 - tf.contrib.learn 快速入门教程
数据挖掘
Python
分类
深度学习
张量流
2022-03-09 05:52:52
1个回答
如果您在测试集上达到了 0.967 的准确度，那么它是一个不错的分数，因此请确保您在这里谈论的是测试集。其次，如果您的解决方案已经收敛，那么增加数据集上的迭代次数将无济于事。第三，添加更多层不是一个好主意，因为您已经在使用 DNN 分类器并且可能导致过度拟合。话虽如此，尝试计算数据集的 cross_validation 分数，然后在测试集上运行它。在 corss-validation 中，您基本上在数据集的不同块上训练模型，并在您遗漏的块上进行验证，然后在单独的测试集上对其进行测试。通过这种方式，您实际上可以看到超参数的行为方式，而无需猜测。一旦您以这种方式计算测试分数，就意味着您拥有良好的参数值。
其它你可能感兴趣的问题