我正在运行 MLP 将一组值分为 10 个不同的类别。
简单来说，我有一个声纳，它可以提供 400 个物体的“读数”。每个读数都是 1000 个浮点值的列表。
我已扫描了总共 100 个对象，想要对它们进行分类并基于留一交叉验证来评估模型。
对于每个对象，我将数据分为 99 个对象的训练集和剩余对象的测试集。我将训练集(99 个对象，99*400 个“读数”)输入到 MLP 中，并使用测试集(1 个对象，1*400 个“读数”)进行验证。
我的问题是:我如何知道使用哪个训练纪元作为最终的“最佳”模型？我在谷歌上搜索了一下，有些人说使用具有最佳验证准确性的纪元，但是这对我来说似乎是在欺骗。我不应该只根据训练数据的统计数据来选择一个模型吗？ (我的思考过程是，训练中的随机权重重组可能会人为地产生高验证精度，但实际上并不能为将来可以扫描的新对象提供有用的模型)
SO 答案说使用提供最佳验证准确性的训练纪元:
whats is the difference between train, validation and test set, in neural networks?
最好， 洗板机
最佳答案
这称为提前停止。
您需要的是验证集。
- 在每个时期之后，计算您在验证集上所需的评估指标。
- 始终将验证集上性能最佳模型的参数保存在变量中。
- 如果两次或 n 次迭代验证结果没有得到改善，则停止 epoch 并使用最佳性能参数重置 MLP。
-然后使用您之前保存的验证集上性能最佳的模型计算测试集的结果。
关于machine-learning - 何时停止训练 - LOOV MLP，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/37577891/