深度学习:参数选择与结果解释

Question

我有一个多类(7个标签)分类问题在MLP中实现。我试图根据一些数据对7种癌症进行分类。总体精度较低，约为58%。然而，对于不同的参数，有些癌症的分类准确率在90%左右。低于癌症1,2,3等意味着不同类型的癌症，例如1=乳腺癌，2=肺癌等。现在，对于不同的参数设置，我得到了不同的分类精度。例如,

1.超参数

    learning_rate = 0.001
    training_epochs = 10
    batch_size = 100
    hidden_size = 256
    #overall accuracy 53%, cancer 2 accuracy 91%, cancer 5 accuracy 88%, 
     #cancer 6 accuracy 89% 

2.超参数

    learning_rate = 0.01
    training_epochs = 30
    batch_size = 100
    hidden_size = 128
    #overall accuracy 56%, cancer 2 accuracy 86%, cancer 5 accuracy 93%, 
    #caner 6 accuracy 75%

如您所见，对于不同的参数设置，我得到的结果完全不同。癌症1,3,4,7的准确性很低，所以我排除了它们。而癌症2、5、6的治疗效果较好。但是，对于癌症6，结果因参数设置而有很大的差别。

一个重要的注意事项是，这里的整体准确性并不重要，但是如果我能以超过90%的准确率对2-3个癌症进行分类，那就更重要了。所以我的问题是，我如何解释结果？在我的论文中，我应该如何显示结果呢？应该显示/使用哪些参数设置？还是应该显示不同癌症类型的不同参数设置？那么基本上，如何处理这种情况呢？

Answer 1

你训练的时间不多。高差异可能是由于训练时间不够长而造成的。

只要按类显示超参数对性能的影响，表就可以工作。行可以是类，列可以是超参数值，单元格值可以是评估指标。