模型选择
模型选择（）是在给定数据的情况下，在一组候选模型中选定最优模型的过程。在最简单的情形之下，给定数据可以是已存在的数据。不过，在复杂的情形下，模型选择也可能牵涉到实验设计，以便能够来进行模型选择。诸多候选模型的预测或解释能力相近時，根据奥卡姆剃刀原则，最简单的模型往往是最好的选择，这有助于避免过拟合。 在时，或是在不确定条件下进行优化时，模型选择也可以指代从大量计算模型中选取少数代表性模型的问题。 参考文献
标签：#模型選擇
共 2 篇文章
超参数 (机器学习)
在机器学习中，超参数（）是事先给定的，用来控制学习过程的参数。而其他参数（例如节点权重）的值是通过训练得出的。 超参数可分为模型超参数（Model Hyperparameters）和算法超参数（Algorithm Hyperparameters）。模型超参数主要用于模型选择，其无助于学习训练集特征；而算法超参数理论上对模型的性能没有影响，而会影响学习的速度和质量。一个典型的模型超参数是神经网络的拓扑结构及大小；而学习率和批量大小（Bat…