Perguntas com a marcação «randomized-algorithms»

Estou tentando treinar um modelo de aumento de gradiente com mais de 50 mil exemplos com 100 recursos numéricos. XGBClassifierlida com 500 árvores em 43 segundos na minha máquina, enquanto GradientBoostingClassifierlida com apenas 10 árvores (!) em 1 minuto e 2 segundos :( Não me preocupei em tentar cultivar 500 …

29 scikit-learn  xgboost  gbm  data-mining  classification  data-cleaning  machine-learning  reinforcement-learning  data-mining  bigdata  dataset  nlp  language-model  stanford-nlp  machine-learning  neural-network  deep-learning  randomized-algorithms  machine-learning  beginner  career  xgboost  loss-function  neural-network  software-recommendation  naive-bayes-classifier  classification  scikit-learn  feature-selection  r  random-forest  cross-validation  data-mining  python  scikit-learn  random-forest  churn  python  clustering  k-means  machine-learning  nlp  sentiment-analysis  machine-learning  programming  python  scikit-learn  nltk  gensim  visualization  data  csv  neural-network  deep-learning  descriptive-statistics  machine-learning  supervised-learning  text-mining  orange  data  parameter-estimation  python  pandas  scraping  r  clustering  k-means  unsupervised-learning 

Eu li o seguinte: Para treinar nossa rede neural, inicializaremos cada parâmetro W (l) ijWij (l) e cada b (l) ibi (l) para um pequeno valor aleatório próximo de zero (digamos, de acordo com um Normal (0, ϵ2) Normal (0) , ϵ2) distribuição de alguns ϵϵ pequenos, digamos 0,01) dos …

13 deep-learning  stanford-nlp  randomized-algorithms 

Dada a tarefa de aprendizado difícil (por exemplo, alta dimensionalidade, complexidade inerente aos dados), as Redes Neurais Profundas se tornam difíceis de treinar. Para facilitar muitos dos problemas, pode-se: Normalizar && escolher dados de qualidade escolha um algoritmo de treinamento diferente (por exemplo, RMSprop em vez de Gradient Descent) escolha …

10 machine-learning  neural-network  deep-learning  randomized-algorithms 

Uma visão geral do processo de otimização de hiperparâmetros no scikit-learn está aqui . A pesquisa exaustiva na grade encontrará o conjunto ideal de hiperparâmetros para um modelo. A desvantagem é que a busca exaustiva na grade é lenta. A pesquisa aleatória é mais rápida que a pesquisa em grade, …

10 scikit-learn  hyperparameter  hyperparameter-tuning  grid-search  randomized-algorithms