排序方式： 共有3条查询结果，搜索用时 15 毫秒
1
1.
通过学习训练数据集来构造分类树的策略可能无法达到最好的泛化性能。随机噪声和某些决策仅基于少量训练数据的情况都会导致决策树的分类精度下降,并且过度拟合训练数据集。避免过度拟合主要是通过对树的剪枝来实现,包括预剪枝和后剪枝。后剪枝方法有很多种,主要从计算复杂性、误差估计和算法理论基础角度分析其中的REP、MEP和规则后剪枝算法。 相似文献
2.
针对传统文本—图像对抗模型中,由于反卷积网络参数过多容易产生过拟合现象,导致生成图像质量较差,而线性分解方法无法解决文本—图像对抗模型中输入单一的问题,提出一种在线性分解基础上加入流形插值的算法,并对传统 DCGAN 模型进行改进,以提高图像的鲁棒性。仿真实验结果表明,生成花卉图像的 FID分数降低了 4.73%,生成鸟类的 FID 分数降低了 4.11%,在 Oxford-102 和 CUB 两个数据集上生成图像的人类评估分数分别降低了 75.64%和 58.95%,初始分数分别提高 14.88%和 14.39%,说明新模型生成的图片更符合人类视角,图片特征更为丰富。 相似文献
3.
神经网络算法是一种非常经典的分类算法,然而神经网络的一个不足之处就是容易陷入过拟合。针对这种不足,正则化神经网路算法与提前终止迭代算法被提了出来。为了进一步研究这两种算法性能的差异,本文通过20个UCI标准数据集上对着这两种方法进行了性能测试。实验显示在分类准确率上正则化神经网路算法要更优秀一些,但是在分类速度上提前终止迭代算法更占优势。 相似文献
1