ML之FE：数据处理—特征工程之数据集划分成训练集、验证集、测试集三部分简介、代码实现、案例应用之详细攻略

ML之FE：数据处理—特征工程之数据集划分成训练集、验证集、测试集三部分简介、代码实现、案例应用之详细攻略

数据集划分成训练、验证、测试三种数据的简介

分割训练数据前，先打乱了输入数据和教师标签。因为数据集的数据可能存在偏向(比如，数据从“0”到“10”按顺序排列等)。
# (1)、如果是MNIST数据集，从训练数据中，事先分割20%作为验证数据

1、训练集、验证集的作用

训练集：训练网络模型参数。
验证集：网络模型的超参数。

2、验证数据集

ML之Validation：机器学习中模型验证方法的简介、代码实现、案例应用之详细攻略

数据集划分成三部分的代码实现

1、MNIST数据集，从训练数据中，事先分割20%作为验证数据

#分割训练数据前，先打乱了输入数据和教师标签。因为数据集的数据可能存在偏向(比如，数据从“0”到“10”按顺序排列等)。
# (1)、如果是MNIST数据集，从训练数据中，事先分割20%作为验证数据

def shuffle_dataset(x, t):
    """打乱数据集

    Parameters
    ----------
    x : 训练数据
    t : 监督数据

    Returns
    -------
    x, t : 打乱的训练数据和监督数据
    """
    permutation = np.random.permutation(x.shape[0])
    x = x[permutation,:] if x.ndim == 2 else x[permutation,:,:,:]
    t = t[permutation]

    return x, t

#数据集预处理：划分为x_train、t_train、x_test、t_test
(x_train, t_train), (x_test, t_test) = load_mnist()

x_train, t_train = shuffle_dataset(x_train, t_train)      #调用shuffle_dataset()函数，打乱训练数据

#进行定义验证数据集
validation_rate = 0.20
validation_num = int(x_train.shape[0] * validation_rate)  #分割验证数据
x_val = x_train[:validation_num]
t_val = t_train[:validation_num]
x_train = x_train[validation_num:]
t_train = t_train[validation_num:]

数据集划分成训练、验证、测试三种数据案例应用

DL之DNN：自定义MultiLayerNet【6*100+ReLU,SGD】对MNIST数据集训练进而比较【多个超参数组合最优化】性能

赞 (0)

相关推荐