- 综合排序
- 最热优先
- 最新优先
- 来自专栏AILearning
【Scikit-Learn 中文文档】内核岭回归 - 监督学习 - 用户指南 | ApacheCN
它们的 learned functions （学习函数）非常相似;但是，拟合 KernelRidge 大约比拟合 SVR 快七倍（都使用 grid-search ( 网格搜索 ) ）。
1K60发布于 2018-01-15 - 来自专栏大数据文摘
Scikit-learn玩得很熟了？这些功能你都知道吗？
更多信息： http://scikit-learn.org/stable/modules/pipeline.html 网格搜索（Grid-search） 超参数在参数估计中是不直接学习的，在scikit-learn
61470发布于 2018-05-23 - 来自专栏生信技能树
使用sequenza软件判定肿瘤纯度
normalization and segmentation test <- sequenza.extract(data.file, verbose = FALSE) #sequenza.fit: run grid-search
6.1K40发布于 2018-07-27 - 来自专栏腾讯技术工程官方号的专栏
腾讯 QQ 看点图文多目标推荐实践经验
所以采用了如下的乘法融合方式： 其中， 是 的幂，它的最佳值可以通过离线 grid-search 获得。 2.2.5 实验分析 参数调优 对于需要重新训练模型的参数调优（比如专家数），我们直接做了线上实验来对比；对于不需要重新训练模型的参数调优（比如融合策略里参数的 grid-search），我们做离线评估来对比 所以构造 的网格时，要从小于 1 的数开始，到大于 1 的数为止，再从中 grid-search 出最佳的 。 2.4.3 实验分析 在线实验 我们根据离线 grid-search 的结果确定最佳的α和β的值，在线对比上一版模型，互动指标得到大幅度提升，效果如下： 第四阶段三目标折线图 2.4.4 目标合并的训练策略 当我们想要优化的互动目标越来越多时，这种多一个互动目标就多一个 loss 的建模方式会使得在线预测的耗时明显增加，离线 grid-search 也需要更多的时间。
2.7K31发布于 2021-04-12 - 来自专栏计算机视觉战队
引入鲁棒性，这种新的损失函数实现了自适应、随时变换（附论文下载链接）
与网格搜索（grid-search）交叉验证寻找最优损失函数相比，这种损失函数花费的时间更少。让我们从下面的几个定义开始讲解： 鲁棒性与自适应损失函数的一般形式： ?
2.1K10发布于 2021-03-15 - 来自专栏计算机视觉战队
引入鲁棒性作为连续参数，这种新的损失函数实现了自适应、随时变换（附论文下载链接）
与网格搜索（grid-search）交叉验证寻找最优损失函数相比，这种损失函数花费的时间更少。让我们从下面的几个定义开始讲解： 鲁棒性与自适应损失函数的一般形式： ?
1.1K30发布于 2020-11-10 - 来自专栏机器学习与python集中营
干货|深度学习中的正则化技术概述（附Python+keras实现代码）
我们可以使用网格搜索方法（grid-search）对其进行优化。 同样，我们也可以使用L1正则化。在本文后面的案例研究中，我们将更详细地研究这一点。 2.
2.2K20发布于 2019-10-14 - 来自专栏磐创AI技术团队的专栏
深度学习中的正则化技术概述（附Python+keras实现代码）
我们可以使用网格搜索方法（grid-search）对其进行优化。 同样，我们也可以使用L1正则化。在本文后面的案例研究中，我们将更详细地研究这一点。 2.
1.3K10发布于 2018-07-03 - 来自专栏小七的各种胡思乱想
无所不能的Embedding7 - 探索通用文本表达[FastSent/InferSent/GenSen/USE]
不过个人感觉不用太过在意每个新架构在Benchmark上的表现提升，之前看到有调侃刷榜现象的评论说：新模型一定使用grid-search进行超参搜索直到它超越已有的SOTA方法，但绝不会对进行对比的其他方法也做调优
1.1K20发布于 2021-03-03 - 来自专栏机器之心
引入鲁棒性作为连续参数，这种新的损失函数实现了自适应、随时变换
与网格搜索（grid-search）交叉验证寻找最优损失函数相比，这种损失函数花费的时间更少。
97710编辑于 2023-03-29 - 来自专栏图灵技术域
MATLAB中SVM（支持向量机）的用法
用cross-validation和grid-search 得到最优的c和g 4. 用得到的最优c和g训练训练数据 5.
3.2K20发布于 2021-05-21 - 来自专栏机器学习算法工程师
深度学习中的正则化策略综述（附Python代码）
值，是需要进一步优化的超参数，可以使用[网格搜索方法(grid-search)](http://scikit-learn.org/stable/modules/grid_search.html)来优化。
1.1K31发布于 2018-07-27 - 来自专栏Kevinello的技术小站
ReBucket算法总结
值的参数组总结总的来说ReBucket算法可以分为四个模块：堆栈预处理（白名单，递归函数等）PDM（二维动态规划）Clustering（类似并查集，只是Find函数需要改一下）参数训练（二分类模型，基于F值的Grid-Search
2.3K41编辑于 2023-03-03 - 来自专栏全栈程序员必看
SVM参数详解[通俗易懂]
用cross-validation和grid-search 得到最优的c和g 4. 用得到的最优c和g训练训练数据 5.
3.6K20编辑于 2022-07-02 - 来自专栏全栈程序员必看
xgboost入门与实战（原理篇）
This is unlike GBM where we have to run a grid-search and only a limited values can be tested. 8.continue
1.6K20编辑于 2022-08-13 - 来自专栏GiantPandaCV
仅使用少量数据训练生成对抗网络
同时，在实际情况下，对于数据增强概率p这个对数据集敏感、需要经过复杂的调参或是耗时的Grid-Search方法的参数定义过程，依靠固定的p并不是最优选择，因此本文进一步考虑提出自适应判别器数据增强策略。
3.2K31发布于 2020-12-22 - 来自专栏数据派THU
深度学习中的正则化技术(附Python代码)
可以使用grid-search的方法来优化它。 同样的，我们也可以采用L1正则化。后文中的案例研究会看到更多细节。 Dropout 这是一种非常有趣的正则化技术。
1.9K51发布于 2018-07-30 - 来自专栏AI小白入门
【NLP】ACL2020表格预训练工作速览
在微调阶段，在WIkiTQ、WikiSQL数据集上作者使用了黑盒贝叶斯优化器，SQA数据集上则使用网格搜索（grid-search）。
6.7K10发布于 2020-08-27 - 来自专栏大数据文摘
机器学习算法一览
我们可以在交叉验证集上做grid-search查找最好的正则化系数(对于大数据样本，我们依旧需要考虑时间问题，这个过程可能会比较慢): 在500个点得到的结果是：{‘C’: 0.01} 使用新的C参数
811140发布于 2018-05-22 - 来自专栏CDA数据分析师
机器学习算法一览
我们可以在交叉验证集上做grid-search查找最好的正则化系数(对于大数据样本，我们依旧需要考虑时间问题，这个过程可能会比较慢): ?
1K90发布于 2018-02-05
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号