আমি একগুচ্ছ প্যারামের জন্য গ্রিড অনুসন্ধান সেটআপ করি। আমি কেরাস নিউরাল নেট এর সেরা পরামিতিগুলি সন্ধান করার চেষ্টা করছি যা বাইনারি শ্রেণিবদ্ধকরণ করে। আউটপুট হয় হয় 1 বা 0. 0 প্রায় 200 বৈশিষ্ট্য রয়েছে are আমি যখন গ্রিড অনুসন্ধান করেছি তখন আমি একগুচ্ছ মডেল এবং তাদের পরামিতি পেয়েছি। সেরা মডেলের এই পরামিতিগুলি ছিল:
Epochs : 20
Batch Size : 10
First Activation : sigmoid
Learning Rate : 1
First Init : uniform
এবং সেই মডেলের ফলাফল ছিল:
loss acc val_loss val_acc
1 0.477424 0.768542 0.719960 0.722550
2 0.444588 0.788861 0.708650 0.732130
3 0.435809 0.794336 0.695768 0.732682
4 0.427056 0.798784 0.684516 0.721137
5 0.420828 0.803048 0.703748 0.720707
6 0.418129 0.806206 0.730803 0.723717
7 0.417522 0.805206 0.778434 0.721936
8 0.415197 0.807549 0.802040 0.733849
9 0.412922 0.808865 0.823036 0.731761
10 0.410463 0.810654 0.839087 0.730410
11 0.407369 0.813892 0.831844 0.725252
12 0.404436 0.815760 0.835217 0.723102
13 0.401728 0.816287 0.845178 0.722488
14 0.399623 0.816471 0.842231 0.717514
15 0.395746 0.819498 0.847118 0.719541
16 0.393361 0.820366 0.858291 0.714873
17 0.390947 0.822025 0.850880 0.723348
18 0.388478 0.823341 0.858591 0.721014
19 0.387062 0.822735 0.862971 0.721936
20 0.383744 0.825762 0.880477 0.721322
সুতরাং আমি আরও মডেলগুলির সাথে সেই মডেলটির পুনরায় পুনঃলিখন করেছি (এর মধ্যে 150) এবং এগুলি আমি পেয়েছি ফলাফল। আমি নিশ্চিত নই কেন এটি হচ্ছে, এটি কি স্বাভাবিক বা আমি কী ভুল করছি?
loss acc val_loss val_acc
1 0.476387 0.769279 0.728492 0.722550
2 0.442604 0.789941 0.701136 0.730472
3 0.431936 0.796915 0.676995 0.723655
4 0.426349 0.800258 0.728562 0.721997
5 0.421143 0.803653 0.739789 0.716900
6 0.416389 0.807575 0.720850 0.711373
7 0.413163 0.809154 0.751340 0.718128
8 0.409013 0.811418 0.780856 0.723409
9 0.405871 0.813576 0.789046 0.719295
10 0.402579 0.815524 0.804526 0.720278
11 0.400152 0.816813 0.811905 0.719541
12 0.400304 0.817261 0.787449 0.713154
13 0.397917 0.817945 0.804222 0.721567
14 0.395266 0.819524 0.801722 0.723348
15 0.393957 0.820156 0.793889 0.719049
16 0.391780 0.821103 0.794179 0.721199
17 0.390206 0.822393 0.806803 0.722611
18 0.388075 0.823604 0.817850 0.723901
19 0.385985 0.824762 0.841883 0.722058
20 0.383762 0.826867 0.857071 0.720830
21 0.381493 0.827947 0.864432 0.718005
22 0.379520 0.829210 0.872835 0.720400
23 0.377488 0.830526 0.879962 0.721383
24 0.375619 0.830736 0.887850 0.723839
25 0.373684 0.832000 0.891267 0.724822
26 0.372023 0.832368 0.891562 0.724638
27 0.370155 0.833184 0.892528 0.724883
28 0.368511 0.834684 0.887061 0.724699
29 0.366522 0.835606 0.883541 0.724883
30 0.364500 0.836422 0.882823 0.724515
31 0.362612 0.836737 0.882611 0.722427
32 0.360742 0.837448 0.884282 0.720769
33 0.359093 0.838738 0.884339 0.719418
34 0.357436 0.839080 0.888006 0.716470
35 0.355723 0.840633 0.892658 0.713830
36 0.354305 0.840764 0.897303 0.710575
37 0.352758 0.841343 0.901147 0.709408
38 0.351414 0.842054 0.899546 0.707934
39 0.349619 0.843370 0.905133 0.704864
40 0.347993 0.844475 0.910400 0.701363
41 0.346402 0.845581 0.915086 0.699337
42 0.345014 0.845818 0.918697 0.697617
43 0.343708 0.846607 0.923413 0.695652
44 0.342335 0.847292 0.930816 0.693441
45 0.340745 0.848081 0.940737 0.689020
46 0.339623 0.848713 0.948633 0.685274
47 0.338846 0.849845 0.952492 0.683923
48 0.337724 0.850134 0.961147 0.683984
49 0.336247 0.850976 0.967792 0.683309
50 0.334444 0.851529 0.984107 0.680238
51 0.333086 0.852029 1.001179 0.678273
52 0.331756 0.853240 1.016130 0.674589
53 0.330738 0.854003 1.024875 0.673606
54 0.329548 0.854030 1.040597 0.670044
55 0.328813 0.855372 1.041871 0.668509
56 0.327120 0.855898 1.050617 0.668755
57 0.325962 0.855819 1.064525 0.666667
58 0.324602 0.856898 1.078078 0.662859
59 0.323560 0.857241 1.085016 0.661938
60 0.322243 0.858662 1.093114 0.661140
61 0.320680 0.858872 1.117269 0.656841
62 0.319267 0.860004 1.138825 0.654815
63 0.318132 0.860636 1.154959 0.653648
64 0.316956 0.861531 1.180216 0.649718
65 0.315543 0.862320 1.198216 0.648428
66 0.314405 0.862610 1.218663 0.647384
67 0.313501 0.863873 1.245123 0.644252
68 0.312513 0.864558 1.262998 0.643147
69 0.311567 0.865347 1.283213 0.641918
70 0.310069 0.866505 1.302089 0.640752
71 0.309087 0.866611 1.318972 0.641857
72 0.307767 0.867321 1.361531 0.638787
73 0.306750 0.866742 1.382162 0.638357
74 0.305760 0.867242 1.378694 0.641611
75 0.305289 0.867769 1.393187 0.642594
76 0.304089 0.868479 1.435852 0.635532
77 0.302472 0.869006 1.435019 0.639892
78 0.301118 0.869400 1.447060 0.639216
79 0.300629 0.870058 1.488730 0.634918
80 0.299364 0.870295 1.488376 0.636576
81 0.298380 0.870822 1.504260 0.634611
82 0.297253 0.871664 1.525655 0.634058
83 0.296760 0.871875 1.538717 0.632891
84 0.295502 0.872585 1.551178 0.633751
85 0.294569 0.872927 1.562323 0.633137
86 0.294780 0.872585 1.555390 0.629944
87 0.293796 0.872743 1.587800 0.627057
88 0.293029 0.873427 1.608010 0.627549
89 0.291822 0.874006 1.626047 0.627303
90 0.290643 0.874533 1.651658 0.626689
91 0.289920 0.875270 1.681202 0.623925
92 0.289661 0.875375 1.683188 0.626505
93 0.288103 0.876323 1.706517 0.625031
94 0.287917 0.876770 1.722031 0.624417
95 0.287020 0.877270 1.743283 0.624478
96 0.286750 0.877639 1.762506 0.624048
97 0.285712 0.877481 1.780433 0.622267
98 0.284635 0.878639 1.789917 0.622206
99 0.283627 0.879191 1.862468 0.616925
100 0.282214 0.879455 1.915643 0.612810
101 0.281749 0.879244 1.881444 0.615205
102 0.281710 0.879639 1.916390 0.614223
103 0.280293 0.880350 1.938470 0.612810
104 0.279233 0.881008 1.979127 0.609187
105 0.279204 0.880297 1.997384 0.606546
106 0.278264 0.881876 2.009851 0.607652
107 0.277511 0.882876 2.038530 0.606116
108 0.277521 0.881771 2.034664 0.604888
109 0.276264 0.882534 2.058179 0.604827
110 0.275230 0.883587 2.078912 0.604274
111 0.275147 0.883034 2.073272 0.603537
112 0.273717 0.883797 2.100150 0.600958
113 0.273372 0.883692 2.114416 0.601634
114 0.272626 0.883692 2.129778 0.601941
115 0.272001 0.883929 2.138462 0.601326
116 0.271344 0.884508 2.148771 0.602923
117 0.270134 0.884692 2.115114 0.604581
118 0.269494 0.885140 2.135719 0.603107
119 0.268803 0.885587 2.162380 0.601695
120 0.268593 0.886219 2.183793 0.599239
121 0.267141 0.886035 2.195810 0.600221
122 0.266565 0.886772 2.192426 0.600528
123 0.265715 0.886561 2.260088 0.596598
124 0.264788 0.887693 2.253029 0.597335
125 0.263643 0.887693 2.289285 0.597028
126 0.263612 0.887956 2.311600 0.596536
127 0.261996 0.888588 2.339754 0.595063
128 0.263069 0.887588 2.364881 0.594449
129 0.261684 0.889272 2.321568 0.596598
130 0.261304 0.889509 2.389324 0.591562
131 0.260336 0.889640 2.403542 0.593098
132 0.259131 0.890272 2.413964 0.592115
133 0.258756 0.890193 2.422454 0.591992
134 0.257794 0.891009 2.454598 0.591255
135 0.257187 0.891009 2.459366 0.590088
136 0.257249 0.891088 2.448625 0.591624
137 0.256344 0.891404 2.495104 0.589167
138 0.255590 0.891720 2.495032 0.589781
139 0.254596 0.892299 2.496050 0.589229
140 0.254308 0.892588 2.510471 0.589536
141 0.253694 0.892509 2.519580 0.589720
142 0.252973 0.893088 2.527464 0.590273
143 0.252714 0.893194 2.553902 0.589106
144 0.252190 0.893720 2.536494 0.590457
145 0.251870 0.893352 2.553102 0.588799
146 0.250437 0.893694 2.565141 0.589597
147 0.250066 0.894141 2.575599 0.588553
148 0.249596 0.894273 2.590722 0.588123
149 0.248569 0.894983 2.596031 0.588676
150 0.248096 0.895273 2.602810 0.588860
আপনার কেসটি অদ্ভুত কারণ আপনার বৈধতা হ্রাস কখনও ছোট হয়নি। আপনার শেখার হার সন্দেহজনকভাবে বেশি, সাধারণ শিক্ষার হার প্রায় 0.001। আপনি গ্রিড অনুসন্ধানে কতগুলি শিক্ষার হার ব্যবহার করেছেন?
—
হিউ
আমি [1.000, 0.100, 0.010, 0.001]
—
ব্যবহারকারী 1367204
এটি কিছুটা দেরি হতে পারে, তবে আপনি কি নিশ্চিত যে আপনার ডেটা আপনি যা ভাবেন তা কি? বিশেষত এটি খুব অদ্ভুত যে আপনার বৈধতার যথাযথতা স্থবির হয়ে যাচ্ছে, যাচাইকরণের ক্ষতি বৃদ্ধি পাচ্ছে, কারণ এই দুটি মান সর্বদা একসাথে চলতে হবে, যেমন। লোকসানের মান হ্রাস হ্রাস যথাযথতার আনুপাতিক বৃদ্ধির সাথে মিলিত হওয়া উচিত। প্রশিক্ষণ ক্ষতির ক্ষেত্রে আপনি এটি দেখতে পারেন। প্রশিক্ষণের ক্ষতি যেমন হ্রাস পাচ্ছে ততই নির্ভুলতা বাড়ছে। তবে এটি আপনার কাছে থাকা বৈধতা ডেটার ক্ষেত্রে নয়। অতএব আমি অবশ্যই আপনাকে কীভাবে বৈধতা হারাতে এবং এসি
—
matt_m