機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集是什么格式的？機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集是VBP格式的。visualbasic工程由窗口、程序代碼模塊、ActiveX控件和應(yīng)用程序所需的環(huán)境設(shè)置組成。在應(yīng)用程序設(shè)計過程中，visual

機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集是什么格式的？

機器學(xué)習(xí)的訓(xùn)練數(shù)據(jù)集是VBP格式的。visualbasic工程由窗口、程序代碼模塊、ActiveX控件和應(yīng)用程序所需的環(huán)境設(shè)置組成。在應(yīng)用程序設(shè)計過程中，visualbasic保存了一個擴展名為VBP的工程文件。項目文件列出了應(yīng)用程序所需的所有文件，包括表單和程序代碼模塊。此外，項目文件還列出了所有使用的程序構(gòu)建塊，如ActiveX控件。項目本身并不控制這些文件和程序構(gòu)建塊，因此用戶可以在多個項目中使用同一個文件。當用戶打開項目時，將加載項目文件中列出的文件。除項目文件外，項目還包括表單文件、ActiveX控件、visualbasic類模塊、資源文件、用戶控件、用戶文檔和ActiveX設(shè)計器。?在組織工程中，最好為每個項目創(chuàng)建一個單獨的目錄。?完成應(yīng)用程序后，如果要發(fā)布，必須先將其編譯成可執(zhí)行文件。編譯應(yīng)用程序就是創(chuàng)建一個可執(zhí)行文件，其中包括特定項目的表單和代碼模塊。我希望我能幫助你。

對數(shù)據(jù)集訓(xùn)練時，只對訓(xùn)練集進行訓(xùn)練還是都訓(xùn)練？

如果您想測試您自己的數(shù)據(jù)集，您需要將其分為訓(xùn)練集、驗證集和測試集。

我們訓(xùn)練機器學(xué)習(xí)模型使用現(xiàn)有數(shù)據(jù)預(yù)測未知數(shù)據(jù)。我們通常把模型對未知數(shù)據(jù)的預(yù)測能力稱為泛化能力。為了評價模型的泛化能力，通常將數(shù)據(jù)分為訓(xùn)練集和測試集。訓(xùn)練集用來訓(xùn)練模型，測試集用來評價模型的泛化能力。

這里有幾點需要注意：

通常80%的數(shù)據(jù)集用作訓(xùn)練集，20%用作測試集；

通常我們需要在開始構(gòu)建模型之前劃分數(shù)據(jù)集，以防止數(shù)據(jù)窺探錯誤，也就是說，我們應(yīng)該避免過多地了解測試集的樣本特征，并且防止我們選擇對測試集數(shù)據(jù)有幫助的模型，這將導(dǎo)致過度的結(jié)果，一般來說，我們在建立模型時需要對數(shù)據(jù)進行處理，包括一些數(shù)據(jù)清洗、數(shù)據(jù)特征縮放（標準化或規(guī)范化）。此時，我們只需要對訓(xùn)練集執(zhí)行這些操作，然后將從訓(xùn)練集獲得的參數(shù)應(yīng)用到測試集，也就是說在工作流中，您不能使用在測試數(shù)據(jù)集上計算的任何結(jié)果。例如，我們得到的屬性中可能缺少值，因為在這些操作之前，我們已經(jīng)將數(shù)據(jù)集劃分為訓(xùn)練集和測試集。通常的做法是通過計算屬性值的中值來填充缺少的值。請注意，屬性值的中值是由訓(xùn)練集中的數(shù)據(jù)計算的。當我們得到一個模型時，如果你想在模型的測試誤差要被測試到近似泛化誤差的時候，測試集中可能會有一些缺失的值。此時，由訓(xùn)練集計算的中值填充相應(yīng)屬性的缺失值。

用同一數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)，每次訓(xùn)練結(jié)果不一樣，有時正確率很高，有時很低，為什么？

其實這個問題的實質(zhì)是，如果我們用機器學(xué)習(xí)算法對數(shù)據(jù)集上的數(shù)據(jù)模型進行一次訓(xùn)練，保存模型，然后用同樣的算法和同樣的數(shù)據(jù)集以及數(shù)據(jù)排序?qū)ζ溥M行再次訓(xùn)練，那么第一個模型和第二個模型是一樣的嗎？

這可能是因為神經(jīng)網(wǎng)絡(luò)用增益或權(quán)重的隨機值初始化，然后每個模擬在訓(xùn)練階段有不同的起點。如果您希望始終保持相同的初始權(quán)重，可以嘗試為初始權(quán)重修復(fù)種子以消除問題。

如果我們深入研究這個問題，我們可以根據(jù)ml算法的“確定性”來對其進行分類。當從同一個數(shù)據(jù)集進行訓(xùn)練時：

一個是總是生成相同的模型，并且記錄以相同的順序呈現(xiàn)；

另一個是總是生成不同的模型，并且記錄順序不同。

在實踐中，大多數(shù)是“不確定的”。模型變化的原因可能是機器學(xué)習(xí)算法本身存在隨機游走、不同權(quán)值的隨機初始化、不同分量的概率分布抽樣來分配優(yōu)化函數(shù)。

雖然模型的“不確定性”可能會對單個訓(xùn)練結(jié)果造成干擾，但我們也可以用“不確定性”來確認模型的穩(wěn)定性，如決策樹、支持向量機（SVM）、神經(jīng)網(wǎng)絡(luò)等，最終可以通過多次迭代來確認模型的穩(wěn)定性。