各位python先进好
小弟用sk-learn的validation_curve找最佳参数时遇到一个问题:
我跑出来的training curve有时高时低的现象，并不像范例一样只随参数越大准确度越高
请问是否可以不要理会training curve的下降只要确保validation curve不下降就能代表不over-fitting?
这样可以取到准确度更高的结果
p.s. 以下是小弟找到的相关资讯
在sk-learn官网官网看到的validation_curve资料只有说
train和validation的准确度都低代表under-fitting
train准确度高validation低代表over-fitting
train准确度低validation高通常不可能
莫凡老师所做的示范中training curve只有上升
所以只提到要找validation curve不下降前的值(代表不over-fitting)
下面为小弟跑出来的图
谢谢大家!
http://i.imgur.com/HqMOrNS.jpg
-----
Sent from JPTT on my HTC_A9u.
--
※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 140.112.4.192
※ 文章网址: https://webptt.com/cn.aspx?n=bbs/Python/M.1515659607.A.046.html
※ 编辑: fig498 (140.112.4.192), 01/11/2018 16:56:02
1F：→ mikapauli: 一般来说取两者较低的做判断？01/11 21:27
2F：推 TuCH: 数据量多少啊 数据量太少也有机会造成偏差01/12 00:29
3F：推 EGsux: 你的数据量是？01/12 12:50
4F：推 EGsux: 顺便用一下k fold01/12 12:53
5F：推 EGsux: 你用甚麽演算法01/12 12:57
数据量目前只有１８３组，使用的是SVC
已得到解答，先前小弟误解了，并不会随着参数调高准确度跟着变高，要找两个曲线都有不
6F：推 EGsux: 正常来说不管你怎调 cv都不会比training高 这种小data你要01/12 13:19
7F：→ EGsux: 用 k fold做 cross validation01/12 13:19
感谢前辈！
※ 编辑: fig498 (223.140.1.173), 01/12/2018 18:02:04