Neural.network 超參數優化和靈敏度分析

Question

我正在使用單輸出 neural.network 處理 Keras 中的非常大的數據集。 隨着網絡深度的變化，我觀察到 model 的性能有所改善。因此，我現在想執行“系統”研究方面的超參數優化（隱藏層、激活函數、# 神經元、時期、批量大小等）。 但是，我被告知 GridSearchCV 和 RandomSearchCV 不是合適的選擇，因為我的數據集很大。 我想知道你們中是否有人有這方面的經驗或反饋可以指導我走上正確的道路。

Answer 1

使用混淆矩陣和熱 map 來衡量你的網絡的性能准確性

Y_pred=model.predict(X_test)
Y_pred2=np.argmax(Y_pred, axis=1)
Y_test2=np.argmax(Y_test, axis=1)
cm = confusion_matrix(Y_test2, Y_pred2)
sns.heatmap(cm)
plt.show()

print(classification_report(Y_test2, Y_pred2,target_names=label_names))