心脏病预测：深度神经网络中优化器性能的比较研究

优化器的选择是训练深度学习模型时的重要因素，但有关如何选择用于训练的优化器的关注仍较少。本文比较了在使用来自Kaggle的心脏病数据集训练简单多层感知器模型时，10种不同优化器的性能。我们建立了一致的训练范例，并基于收敛速度和稳定性等指标对优化器进行评估。我们还包括了诸如AUC、精确率和召回率等其他机器学习评估指标，这些指标是分类问题的核心指标。我们的结果显示，在收敛速度和稳定性之间存在权衡，因为像Adagrad和Adadelta这样的优化器更稳定，但收敛时间更长。在所有指标中，我们选择RMSProp作为这一心脏病预测任务中最有效的优化器，因为它在关键指标上表现均衡，实现了0.765的精确率、0.827的召回率和0.841的AUC值，同时具有更快的训练速度。然而，它并非最稳定的优化器。我们建议，在计算资源较不受限制的环境中，应采用这种通过彻底评估来选择优化器的方法，以提高训练深度学习模型的科学性和性能。