Optimization 多类Logistic回归的学习曲线
我已经使用logistic回归编写了一个多类分类器，该分类器使用一对多方法进行训练。我想为经过训练的分类器绘制学习曲线 学习曲线是按类绘制的，还是按分类器整体绘制的？这有区别吗 为了澄清，学习曲线是训练和交叉验证/测试集误差/成本与训练集大小的曲线图。此图应允许您查看增加训练集大小是否会提高性能。更一般地说，学习曲线允许您确定算法是否存在偏差（欠拟合）或方差（过拟合）问题 有关我的代码的一些详细信息：Optimization 多类Logistic回归的学习曲线,optimization,machine-learning,logistic-regression,supervised-learning,Optimization,Machine Learning,Logistic Regression,Supervised Learning,我已经使用logistic回归编写了一个多类分类器，该分类器使用一对多方法进行训练。我想为经过训练的分类器绘制学习曲线 学习曲线是按类绘制的，还是按分类器整体绘制的？这有区别吗 为了澄清，学习曲线是训练和交叉验证/测试集误差/成本与训练集大小的曲线图。此图应允许您查看增加训练集大小是否会提高性能。更一般地说，学习曲线允许您确定算法是否存在偏差（欠拟合）或方差（过拟合）问题 有关我的代码的一些详细信息： 分析MNIST手写数字图像 预测图像中的数字（0-9） 基于Andrew Ng的机器学习课程
- 分析MNIST手写数字图像
- 预测图像中的数字（0-9）
- 基于Andrew Ng的机器学习课程
- 一般来说，我会把所有的东西都画出来。或者写一个脚本来收集所有的东西并将其全部绘制出来
我认为整个分类器情节的必要性是显而易见的。但是，我觉得每堂课都很有价值，可以确保你不会在一堂课上遇到问题。如果，比如说，“5”顽固地抵制增加的训练数据，但整个分类器仍然受到它的帮助，那么在我输入更多数据之前，我更愿意调查这一类的情况 你所说的“学习曲线”到底是什么意思？仅仅是一个学习进度图？为什么这会影响分类器的预测？。训练集和测试集误差与训练集大小的关系图。这应该可以让我了解增加训练集大小是否会显著提高性能