运行 更多 epoch 的缺点是相同的学习率？
Disadvantages of running more epochs on same learn rate?
我运行以下来自sklearn或scikit模块的Perceptron函数和n_tera的数量是40。错误分类总数是 45 个测试数据中的 4 个。
sklearn_percep=Perceptron(n_iter=40,eta0=0.1,random_state=0)
后来我将 n_iterat 设置为 100，但现在错误分类增加到 16/45。
sklearn_percep=Perceptron(n_iter=100,eta0=0.1,random_state=0)
出于好奇，我再次 运行 n_itera=1000，现在错误分类是 5，共 45
我正在使用 Iris 数据集，3 个分类是 present.I 知道当学习率非常低时，时代必须很高才能达到收敛，但真正高的时代如何降低学习性能算法 ?
我的数据是 0.3 和 0.7 拆分出的 150 个数据行和一次拆分
感谢您的宝贵时间。
一般来说，给定足够的 epoch，一个稳定的分类器应该会收敛。一旦找到成本函数的局部最小值，它就应该留在那里。但是，分类器在学习的时候肯定会有噪声。
在训练时跟踪测试集的准确性通常是一种很好的做法。您可以绘制此图以查看算法收敛的速度。
n_iter，是Perceptron算法的超参数。根据你的分类问题，和你的数据，这个超参数（n_iter）必须正确选择
一个有用的技巧是使用不同数量的整数调整超参数 (n_iter) 并评估分类精度。尝试查看 http://scikit-learn.org/stable/modules/grid_search.html 了解详细信息。这是一个搜索最佳超参数的好函数，取决于你的数据
我运行以下来自sklearn或scikit模块的Perceptron函数和n_tera的数量是40。错误分类总数是 45 个测试数据中的 4 个。
sklearn_percep=Perceptron(n_iter=40,eta0=0.1,random_state=0)
后来我将 n_iterat 设置为 100，但现在错误分类增加到 16/45。
sklearn_percep=Perceptron(n_iter=100,eta0=0.1,random_state=0)
出于好奇，我再次 运行 n_itera=1000，现在错误分类是 5，共 45
我正在使用 Iris 数据集，3 个分类是 present.I 知道当学习率非常低时，时代必须很高才能达到收敛，但真正高的时代如何降低学习性能算法 ?
我的数据是 0.3 和 0.7 拆分出的 150 个数据行和一次拆分
感谢您的宝贵时间。
一般来说，给定足够的 epoch，一个稳定的分类器应该会收敛。一旦找到成本函数的局部最小值，它就应该留在那里。但是，分类器在学习的时候肯定会有噪声。
在训练时跟踪测试集的准确性通常是一种很好的做法。您可以绘制此图以查看算法收敛的速度。
n_iter，是Perceptron算法的超参数。根据你的分类问题，和你的数据，这个超参数（n_iter）必须正确选择
一个有用的技巧是使用不同数量的整数调整超参数 (n_iter) 并评估分类精度。尝试查看 http://scikit-learn.org/stable/modules/grid_search.html 了解详细信息。这是一个搜索最佳超参数的好函数，取决于你的数据