1、正交化
通常为了使模型在训练集上表现好
-
增加神经网络复杂度
-
更好的优化算法,如 Adam
若在训练集表现好,验证集表现不好
-
正则化
-
增大训练集
若训练集和验证集表现都较好,但是测试集表现不好
-
增大验证集
若训练集、验证集、测试集都表现较好,但是实际应用表现不好
-
改变验证集
-
改变成本函数
2、神经网络的最优选择-单一数值指标
通常我们会同时构建出多个神经网络来做不同的尝试,加入构建了A 和B 两个神经网络,让他们使用不同的学习率。
设计一个单一数字指标来评估新尝试的好坏程度,可以大大提高尝试效率。
算法的预测结果分为四种情况:
-
正确肯定(True Positive, TP):预测为真,实际为真
-
正确否定(True Negative, TN):预测为假,实际为假