Validation 衡量一个主题的绩效时不考虑交叉验证
我正在为一个回归问题设计一个神经网络（100个输入-100个隐藏单元-100个输出）。我使用ADAM作为优化器，并以0.3的速率退出正则化 培训数据来自5个不同的主题，因此我使用LOSO交叉验证来评估超参数的不同组合（批量大小、历次次数和学习率） 例如，考虑主题1： 我使用受试者2-5的特征（我们称之为X_cv_train）训练网络，并使用受试者1（我们称之为X_cv_valid）评估其性能 问题是，在执行LOSO-XV后，对于一些受试者，在其折叠的验证集上计算的MSE远高于在其训练集上计算的MSE 例如，对于受试者1，X_cv_序列上的MSE为0.009，X_cv_有效序列上的MSE为0.013（似乎合理），但对于受试者3，X_cv_序列上的MSE为0.008，X_cv_有效序列上的MSE为0.04（似乎过高） 训练集上的平均MSE为0.009，而验证集上的平均MSE为0.022 哪种方法才是正确的Validation 衡量一个主题的绩效时不考虑交叉验证,validation,machine-learning,neural-network,cross-validation,training-data,Validation,Machine Learning,Neural Network,Cross Validation,Training Data,我正在为一个回归问题设计一个神经网络（100个输入-100个隐藏单元-100个输出）。我使用ADAM作为优化器，并以0.3的速率退出正则化 培训数据来自5个不同的主题，因此我使用LOSO交叉验证来评估超参数的不同组合（批量大小、历次次数和学习率） 例如，考虑主题1： 我使用受试者2-5的特征（我们称之为X_cv_train）训练网络，并使用受试者1（我们称之为X_cv_valid）评估其性能 问题是，在执行LOSO-XV后，对于一些受试者，在其折叠的验证集上计算的MSE远高于在其训练集上计算的M