Python scikit neuralnetwork fitting中的有效_大小、f_稳定、n_稳定到底有什么作用？_Python_Scikit Learn_Neural Network_Perceptron_Scikits

Python scikit neuralnetwork fitting中的有效_大小、f_稳定、n_稳定到底有什么作用？

python scikit-learn neural-network

Python scikit neuralnetwork fitting中的有效_大小、f_稳定、n_稳定到底有什么作用？,python,scikit-learn,neural-network,perceptron,scikits,Python,Scikit Learn,Neural Network,Perceptron,Scikits,在scikit神经网络配件中，valid\u size，f\u stable，n\u stable到底做了什么我尝试使用scikit neuralnetwork解决回归问题。我已经阅读了我能找到的所有文档，但我不太理解n\u稳定、f\u稳定、和有效大小输入参数的含义如果我们使用n_stable=100，f_stable=.001，以及valid_size=.1，这是否意味着它将[1]将集合分成90%的训练；[2] 使用梯度下降法进行步骤（改变参数）；[3] 然后对另外10%的数据进行测试；[

在scikit神经网络配件中，

valid\u size

，

f\u stable

，

n\u stable

到底做了什么

我尝试使用scikit neuralnetwork解决回归问题。我已经阅读了我能找到的所有文档，但我不太理解

n\u稳定、f\u稳定、

和

有效大小

输入参数的含义

如果我们使用

n_stable=100

，

f_stable=.001

，以及

valid_size=.1

，这是否意味着它将[1]将集合分成90%的训练；[2] 使用梯度下降法进行步骤（改变参数）；[3] 然后对另外10%的数据进行测试；[4] 如果该测试的均方误差小于.001，那么它会将迭代计算到n_稳定配额100——是吗？还是别的什么

更一般地说，这与

谢谢

sknn github页面的维护人员要求我将此作为一个问题发布。这里有一些解释