Bu kütüphaneyi bir öğrenme ajanı uygulamak için kullanıyorum .
Eğitim vakalarını oluşturdum, ancak doğrulama ve test setlerinin ne olduğundan emin değilim.
Öğretmen diyor ki:
% 70'i tren vakası,% 10'u test vakası ve geri kalan% 20'si validasyon vakası olmalıdır.
Düzenle
Eğitim için bu kod var, ancak eğitimi ne zaman durduracağım konusunda hiçbir fikrim yok .
def train(self, train, validation, N=0.3, M=0.1):
# N: learning rate
# M: momentum factor
accuracy = list()
while(True):
error = 0.0
for p in train:
input, target = p
self.update(input)
error = error + self.backPropagate(target, N, M)
print "validation"
total = 0
for p in validation:
input, target = p
output = self.update(input)
total += sum([abs(target - output) for target, output in zip(target, output)]) #calculates sum of absolute diference between target and output
accuracy.append(total)
print min(accuracy)
print sum(accuracy[-5:])/5
#if i % 100 == 0:
print 'error %-14f' % error
if ? < ?:
break
Düzenle
Doğrulama verileriyle ortalama 0,2 hatası alabilirim, belki 20 eğitim tekrarından sonra% 80 olmalı?
ortalama hata = doğrulama verileri girişi / doğrulama verilerinin boyutu göz önüne alındığında, doğrulama hedefi ve çıkışı arasındaki mutlak farkın toplamı.
1
avg error 0.520395
validation
0.246937882684
2
avg error 0.272367
validation
0.228832420879
3
avg error 0.249578
validation
0.216253590304
...
22
avg error 0.227753
validation
0.200239244714
23
avg error 0.227905
validation
0.199875013416
1
“... bu% 80 olmalı?” Hayır, ortalama hata ve yüzde doğru iki farklı şeydir. Hedef değerinin 5,0 olduğunu ve nöronunuzun 4,8 (yani 0,2 hatası) döndürdüğünü varsayalım. Verilere bağlı olarak, 0,2'lik bir hata kabul edilebilir, bu nedenle hata yeterince küçükse, o örneğin doğru şekilde belirtildiğini düşünebilirsiniz. Dolayısıyla, 10 hedefiniz varsa ve bunlardan 7'si için sınıflandırma hatanız kabul edilebilir aralıktaysa, verilerin% 70'ini doğru bir şekilde sınıflandırırdınız.
—
Kiril
Öğretmeniniz için gerekli olan fesih kriterleri nelerdir?
—
Kiril
