¡No entiendo exactamente la pregunta! ¡El cuadro muestra que con la pérdida decreciente (rojo), la precisión (azul) está aumentando! Entonces, ¿cuál es el problema allí?
Aquí supongo que la curva de pérdida es para el conjunto de entrenamiento y la curva de precisión es para el conjunto de validación. Si desea verificar el sobreajuste, con una disminución de la pérdida en el conjunto de entrenamiento, ¡debería ver una precisión no creciente para el conjunto de validación!
Al ver su tabla superior, puedo decir con seguridad que su elección inicial de la tasa de aprendizaje fue demasiado alta, y una vez que cambió a una opción correcta utilizando la política de paso de caffe para reducir la tasa de aprendizaje, la cantidad de iteraciones después de las cuales está disminuyendo el aprendizaje las tasas son innecesariamente demasiadas !! ¡Si realiza estos cambios en el archivo solucionador, obtendrá curvas de entrenamiento eficientes!
- ¿El análisis de sentimientos basado en léxico se considera un método no supervisado?
- ¿Cuáles son algunos talleres sobre aprendizaje a gran escala?
- ¿Cuáles son las principales diferencias entre los MOOC de aprendizaje automático de Caltech y Stanford?
- ¿Qué es la perplejidad en el análisis bayesiano?
- ¿A quién demuestra que los núcleos radiales son núcleos válidos? ¿Cómo se muestra esto mediante la integración de características?