如何使随机梯度回归器运行多达 1000 个 epoch 或产生更好的结果？答案

【问题标题】：How to make stochastic gradient regressor run up to 1000 epochs or yield better results?如何使随机梯度回归器运行多达 1000 个 epoch 或产生更好的结果？
【发布时间】：2021-03-09 06:33:04
【问题描述】：

我正在运行来自 sklearn (docs) 的随机梯度回归器。

这是我使用的参数：

 {loss: "huber", 
    "learning_rate": "adaptive", 
    "penalty": "l1", 
    "alpha": "0.001", 
    "l1_ratio": "0.75", 
    "early_stopping": "True", 
    "max_iter": "2000", 
    "n_iter_no_change": "15", 
    "validation_fraction": "0.1", 
    "warm_start": "True", 
    "tol": "0.0001", "random_state": "1"}

不幸的是，我的 epoch 没有达到 2000。我知道我设置了如果它在 15 次运行后发生变化，它应该终止，我怎样才能更好地使用随机梯度？因为最终的验证不是很令人印象深刻。

   -- Epoch 38
    Norm: 38.43, NNZs: 218, Bias: 6.923232, T: 2062792, Avg. loss: 0.119096

【问题讨论】：

请更新您的帖子以包含对SGDRegressor的确切调用。
如果问题是如何从任何提前停止中取消 SGD，则删除 n_iter_no_change 并设置 tol = None。看看你是否达到了更好的当地最低标准
回答没有帮助？

标签： python python-3.x machine-learning scikit-learn stochastic-gradient

【解决方案1】：

从显示的参数可以看出，您调用 SGDRegressor 时使用了early_stopping=True。您应该将其更改为early_stopping=False（或完全省略该参数，因为它的默认值确实是False - 请参阅docs）。

【讨论】：