① 網格搜尋交叉驗證：通常是在全量資料上做的，會自動切分成幾折（有時候會注意做分層抽樣去保證資料分布）。
參考的kaggle kernel**：
② early stopping：這個通常需要切分訓練集和驗證集，我們會根據驗證集去確定最佳的輪次，但是除掉迭代輪次以外其他的引數需要通過經驗或者gridsearch敲定。
參考的kaggle kernel**：
③ 貝葉斯優化
參考的kaggle kernel**：
待理解更深入之後 再補充
機器學習 調參
在實際調整引數之前，我們先要搞清楚兩個事情 1.調參的目的是什麼？2.調參調的東西具體是什麼？第乙個問題 調參的目的是什麼？調參的最終目的是要使訓練之後的模型檢測物體更精確，向程式的方向更靠近一步的話，就是使得損失函式 例如ssd中的loss 盡量小 因為利用訓練集訓練出來的模型質量在訓練過程中只能...
機器學習 關於調參
關於引數 feature scaling 機器學習中對於引數的理解不是數學中的數字，而是代表的是一種邏輯的趨勢的數字，這種邏輯是人類對場景的邏輯，也可以看作是人思想上對場景與數字引數的經驗，所以機器學習中的運算，不是數字的運算，而是邏輯的運算，如何設計出符合人類邏輯規律的運算，才能更好的 趨勢，這種...
機器學習 演算法調參
coding utf 8 演算法調參.ipynb automatically generated by colaboratory.original file is located at 超引數優化 這是機器學習模型解決問題的最後乙個步驟，並不是整個解決方案的最後一步。不會調參就不能說會機器學習。引數...