交叉验证和超参数调整
介绍
几乎每种机器学习算法都带有大量的设置，我们作为机器学习研究人员和从业人员都需要指定。这些调整旋钮（所谓的超参数）可帮助我们在优化性能时控制机器学习算法的行为，从而在偏差和方差之间找到适当的平衡。用于优化性能的超参数调整本身就是一门艺术，并且没有一成不变的规则可以保证给定数据集的最佳性能。在第一部分和第二部分中，我们看到了用于估计模型的泛化性能的不同保持和引导技术。我们了解了偏差方差折衷，并计算了估计的不确定性。在第三部分中，我们将重点介绍用于模型评估和模型选择的交叉验证的不同方法。
目录
关于超参数和模型选择
超参数调整的三向保持方法
K折交叉验证简介
特殊情况：2折和留一法交叉验证
K和偏差方差的权衡
通过K折交叉验证进行模型选择
简约法则
总结与结论
下一步是什么

关注 CDA人工智能学院 ，回复“录播”获取更多人工智能精选直播视频！