如何为分类方法找到理想的 kernel/algorithm 参数？
How to find the ideal kernel/algorithm arguments for classification methods?
我正在使用多类 SVM 和深度学习 NN。
有很多我可以调整的论点，
特别是选择正确的内核。
选择理想参数的最佳方法是什么？
是否可以使用任何“目标函数最小化算法”迭代完成，否则将永远花费时间？
我认为这是数据挖掘项目中最耗时的任务之一。找到最好的参数（称为超参数）是困难的，而且对于数据挖掘项目来说也是必不可少的。所以有一些解决方案（例如 scikit, witch is a machine learning lib for python, has Grid Search to find good hyper parameters for algorithm such as SVM, also here，使用进化算法在 scikit 中为机器学习算法找到正确的超参数）
所以对于你的问题，我认为最好写（或找到）类似 Scikit Grid Seaerch 的想法。 在特定算法中测试一系列参数（超参数），并根据测试结果return 最佳参数。
对于c#和accord frame work，它有一个Grid Search来优化参数：http://accord-framework.net/docs/html/T_Accord_MachineLearning_GridSearch_1.htm
我正在使用多类 SVM 和深度学习 NN。 有很多我可以调整的论点， 特别是选择正确的内核。 选择理想参数的最佳方法是什么？
是否可以使用任何“目标函数最小化算法”迭代完成，否则将永远花费时间？
我认为这是数据挖掘项目中最耗时的任务之一。找到最好的参数（称为超参数）是困难的，而且对于数据挖掘项目来说也是必不可少的。所以有一些解决方案（例如 scikit, witch is a machine learning lib for python, has Grid Search to find good hyper parameters for algorithm such as SVM, also here，使用进化算法在 scikit 中为机器学习算法找到正确的超参数）
所以对于你的问题，我认为最好写（或找到）类似 Scikit Grid Seaerch 的想法。 在特定算法中测试一系列参数（超参数），并根据测试结果return 最佳参数。
对于c#和accord frame work，它有一个Grid Search来优化参数：http://accord-framework.net/docs/html/T_Accord_MachineLearning_GridSearch_1.htm