신경망이 항상 같은 대답으로 수렴하지 않기 때문에 우리는 신경망에서 검증이 필요한가? 회귀 또는 앙상블 학습과 같은 모델에서 유효성 검증을 들어 보지 못했습니다. 데이터 세트 전체를 검증합니다. 이것을 k- 배 열차와 시험 세트로 나눕니다. 그러나 신경망의 경우 훈련 세트에서 추출한 유효성 검증 세트가 필요합니다. 이제 우리는 신경 네트워크에서 유효성 검사가 필요한 이유를 알고 있습니다. 제가 알아야 할 것은 로지스틱 회귀를 말하자면 같은 과정을 거치지 않는 이유입니다.회귀 검증은 회귀 기반 모델에서 잘 작동하지만 신경망에서는 검증이 필요합니까?
교육, 테스트 및 유효성 검증 세트 here의 목적에 대해 다소 좋은 논의가 있습니다.
테스트 세트가 필요하면 모델의 매개 변수를 수정하지 않으면 테스트 할 두 번째 세트가별로 필요하지 않을 것입니다. 신경망은 유효성 검사 결과의 영향을받을 수있는 많은 수의 매개 변수 (숨겨진 레이어, 뉴런 수, 훈련 실행 횟수, 기세, 운동량, 학습 속도 등)를 가지고 있습니다. 이 추가 테스트 세트를 사용하면 모델을 튜닝 한 후에 모델이 보이지 않는 테스트 데이터에서 잘 일반화되는지 확인할 수 있습니다 (테스트 세트가 완료되면 추가 변경이 발생하지 않아야 함).
또한 모델에 조정 가능한 매개 변수 (앙상블 수, 결합 매개 변수 수)가있는 과거의 앙상블 구성에 대한 테스트 세트를 사용했으며 튜닝 후 보이지 않는 테스트 데이터를 예측할 수있는 능력도 검증했습니다.
희망이 도움이됩니다.
음 고마워. 매트. 나는 그 링크를 읽었으며, 그 자리에 오히려 있었다. – Theoden
로지스틱 회귀는 결정 론적이며 신경망은 그렇지 않습니다. –
유효성 검사가 설정된 이유는 무엇입니까? 그게 내가 조정할 수 있지만 그것에 대한 참조를 찾을 수 없습니다. – Theoden