Fein fand ich die Ausgangsparameter FTRL Optimierer ist:Wie stimmen die Hyperparameter ftrl Optimierer in tensorflow
learning_rate_power: -0.5,
initial_accumulator_value: 0.1,
l1_regularization_strength: 0.0,
l2_regularization_strength: 0.0
Aber wie konnte ich die Feinabstimmung der Parameter es besser zu machen?
Sie sollten Hyper-Parameter-Tuning durchführen - Halten Sie ein Test-Dataset auf der Seite, und teilen Sie dann Ihr Zug-Dataset, um Validierungssätze zu trainieren und zu kreuzen.
Sie können das Validierungsdatenset dann zum Anpassen dieser Parameter verwenden oder direkt im Zugdatensatz ausführen. Sie können die Rastersuche über alle Parameter oder jede andere Methode in https://en.wikipedia.org/wiki/Hyperparameter_optimization
tun Sie wählen einfach die Parameter mit der besten Leistung