有人认为 Cross Validation 并不适合某些情况, 所以提出了 Rolling segmentation on training and test set. 请参考: https://www.hindawi.com/journals/mpe/2018/4907423/ Fig2: https://www.hindawi.com/journals/mpe/2018/4907423/fig2/ 不确定是否符合你的需要 根据图二: M 代表 train set, N 代表 test set, M/N 的大小也许又可以是 另外一组 hyper-parameters 原文没有讲得很仔细, 不过我看完的想法应该就是 经由 M & num_steps 组成 sequence 去 train 你的 RNN/LSTM etc, 然後由 N所组成的 sequence 来 获得 cost, 然後依此扫过你的整个 dataset, 然後把 所有 cost 加总, 用以决定最佳的 hyper-parameters. 算是某种 Cross-Validation 的变形吧. --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 118.160.91.133 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1555168216.A.1F4.html ※ 编辑: tipsofwarren (118.160.91.133), 04/13/2019 23:15:52