初始化神经网络模型kfold
initialization neural network model kfold
我在k折开始之前初始化了网络模型。
这是否意味着模型训练了第一次，而这个具有训练权重的模型被用于第二次，依此类推？如果最后一折不好，整个模型都不好怎么办？
这取决于你"initialized the network"的意思，你应该展示一些代码片段让人们理解你的问题。
原则上，k 折交叉验证是一种用于更好地估计模型性能的技术。
这个概念很简单，没有k-fold你只是将数据集拆分成train/test，你使用测试集中看不见的样本来估计一个performance/error，但通常数据并不完美，有点脏，所以它"bad" 个样本最终会出现在测试集中，当您使用它们来估计模型的性能时，您会得到一个不代表真实值的值。
为了减少 error/performance 的估计误差，您将数据集分成 k 个均匀分布的折叠，然后训练 k 次新模型（因此权重每次都从头开始初始化），测试每个时间在 k 个不同的 "folds" 之一上，并在数据集的剩余样本上对其进行训练。
通过这样做，您将对模型的 error/performance 有 k 个不同的估计。
如果您想将单个值作为衡量标准，只需对结果进行平均即可。
当然你可以使用结果做任何你喜欢的事情，你可以 SELECT 最好的模型，你可以平均 k 个模型的权重，你可以平均 "top n" 模型权重等等。
所以，回答你的问题，不，你没有保持体重。
在你正在训练的 k 个模型上，其中一个可能是 "bad"，但你使用 k-fold 只是为了验证你的模型，而不是为了更好地训练它！
验证后，您可以决定要做什么。
您正在寻找衡量您的模型 "good" 的方法，通过这样做，您可以更加确定您的结果接近真实值。
如果您想使用数据集来减少其他类型的错误（如过度拟合或其他错误），您应该检查集成方法。
希望对您有所帮助
我在k折开始之前初始化了网络模型。
这是否意味着模型训练了第一次，而这个具有训练权重的模型被用于第二次，依此类推？如果最后一折不好，整个模型都不好怎么办？
这取决于你"initialized the network"的意思，你应该展示一些代码片段让人们理解你的问题。
原则上，k 折交叉验证是一种用于更好地估计模型性能的技术。 这个概念很简单，没有k-fold你只是将数据集拆分成train/test，你使用测试集中看不见的样本来估计一个performance/error，但通常数据并不完美，有点脏，所以它"bad" 个样本最终会出现在测试集中，当您使用它们来估计模型的性能时，您会得到一个不代表真实值的值。
为了减少 error/performance 的估计误差，您将数据集分成 k 个均匀分布的折叠，然后训练 k 次新模型（因此权重每次都从头开始初始化），测试每个时间在 k 个不同的 "folds" 之一上，并在数据集的剩余样本上对其进行训练。
通过这样做，您将对模型的 error/performance 有 k 个不同的估计。
如果您想将单个值作为衡量标准，只需对结果进行平均即可。 当然你可以使用结果做任何你喜欢的事情，你可以 SELECT 最好的模型，你可以平均 k 个模型的权重，你可以平均 "top n" 模型权重等等。
所以，回答你的问题，不，你没有保持体重。 在你正在训练的 k 个模型上，其中一个可能是 "bad"，但你使用 k-fold 只是为了验证你的模型，而不是为了更好地训练它！ 验证后，您可以决定要做什么。 您正在寻找衡量您的模型 "good" 的方法，通过这样做，您可以更加确定您的结果接近真实值。
如果您想使用数据集来减少其他类型的错误（如过度拟合或其他错误），您应该检查集成方法。
希望对您有所帮助