通常，当lambda.bar - lambda小于某个epsilon值时，重新估计迭代过程停止。
如何确定这个epsilon值？我经常只看到在论文中被写为一般的epsilon符号，而从未使用的实际值，我认为这将取决于数据。
因此，例如，如果我的第一次迭代的lambda值是5 * 10 ^ -22，则第二次迭代是1.3 * 10 ^ -15，第三次是8.45 * 10 ^ -15，第四次是1.65 * 10 ^ - 14，等等，我如何确定算法何时不再需要迭代？
此外，如果我将相同的算法应用于不同的数据集怎么办？我需要更改我的epsilon定义吗？
很抱歉这个问题很长。非常困惑的是...... :)
答案 0 :(得分：0)
“我如何确定算法何时不再需要迭代？”
当您在合理的时间内获得“足够好”的结果时。 ;-)
“而且，如果我将相同的算法应用于不同的数据集怎么办？我需要这样做 改变我的epsilon定义？“
是的，很可能。
答案 1 :(得分：0)
如果你能负担得起，你可以让它迭代直到更新的值＆lt; =旧值（它可能是＆lt;由于浮点错误）。我会倾向于这样做，直到我没有耐心或cpu预算。