在做專案過程中，發現訓練集真的很重要，我們分類器採用的是決策樹，決策樹是不需要對特徵來進行歸一化處理的，而且對於我們的目標而言是比較契合的，但是我們的訓練資料不太好，構建的樹並不是我們想要的樹，我們需要不斷的對訓練資料來進行處理，最終得到我們滿意的樹，也就是符合要求的決策樹分類器。
在做的過程中，有幾點隨筆總結：
1，程式的注釋真的很重要，需要把程式中的介面注釋寫明白，讓別人知道該怎麼用，不然真的頭大。
2，程式的框架也很重要。
有些程式的可讀性，可利用性差，是因為程式的框架比較混亂，我們不知道該怎麼利用，比較混亂。
訓練集 驗證集 測試集
訓練集loss 驗證集loss 測試集loss 乙個好的網路，二者的差距應該是很低的。但一般情況下因為網路不可避免地存在一定程度上的過擬合，所以肯定是train loss低於test lost，但如果低太多，就得考慮是過擬合的問題還是因為樣本的特徵空間不統一的問題。驗證集基本是在每個epoch完成後...
訓練集，驗證集，測試集
普通引數就是可以被梯度下降所更新的，也就是訓練集所更新的引數。超引數是指訓練開始之前設定的引數，不在梯度下降的更新範圍內，比如網路層數 網路節點數 迭代次數 學習率等等 1.訓練集 確定模型後，用於訓練普通引數 2.驗證集 交叉驗證集cv 驗證集在每個epoch訓練完成後，用來測試一下當前模型的準確...
訓練集 測試集 驗證集
訓練集 用來訓練和擬合模型。驗證集 當通過訓練集訓練出多個模型後，使用驗證集資料糾偏或比較 測試集 模型泛化能力的考量。泛化 對未知資料的 能力 from sklearn.model selection import train test split import numpy as np from ...