关于深度学习模型调优：一种数据挖掘视角
机器学习
2020-11-20 v1
摘要
深度学习算法因其节点底层连接机制而异。它们具有多种超参数，这些超参数或通过特定算法设定，或随机选取。同时，深度学习算法的超参数有潜力帮助提升机器学习任务的性能。本文为应对深度学习模型超参数相关问题的研究者提供了一份调优指南。为此，从调优与数据挖掘视角考察了四类深度学习算法。进而，在四种深度学习算法上评估了常见的超参数搜索方法。根据本研究结果，归一化有助于提升分类性能。特征数量并未导致深度学习算法准确率下降。尽管高稀疏性导致低准确率，但均匀分布对于从数据挖掘角度获得可靠结果更为关键。
引用
@article{arxiv.2011.09857,
title = {On tuning deep learning models: a data mining perspective},
author = {M. M. Ozturk},
journal= {arXiv preprint arXiv:2011.09857},
year = {2020}
}