我有一个回归模型。我编写了该算法的代码：
将训练数据随机分为10个训练和验证数据。从以下组中选择最佳的alpha值：{0.1、1、3、10、33、100、333、1000、3333、10000、33333}。
要选择最佳的alpha超参数值，您必须执行以下操作：
•对于超参数的每个值，如上所述将训练数据随机分为10个训练和验证数据。
•对于每个超参数值，使用其10个随机分割，并找到平均训练和验证准确性。
•在图表上，绘制平均训练准确度（红色）和平均验证准确度（蓝色）w.r.t。每个超参数设置。通过确定过度拟合和欠拟合的区域对此图进行评论。
•打印出最佳的alpha超参数值。
2-评估测试数据的预测性能并报告以下内容： •最终模型中非零要素的总数。 •混淆矩阵 •每个班级的准确性，召回率和准确性。
最后，讨论是否有使用适当推理的不足或过度拟合的迹象
我写这段代码：
print('Accuracy of logistic regression classifier on test set: {:.2f}'.format(Newclassifier.score(X_test, y_test)))
from sklearn.metrics import classification_report
print(classification_report(y_test, y_pred))
我的问题是： 1-为什么每次迭代的精度都会降低？ 2-我的模特身材过大还是不足？ 3-我的模型正常吗？
答案 0 :(得分：2)
没有正式/绝对的度量标准来确定您是否不合适，是否都过拟合。在实践中
在这种情况下，您的训练和测试错误似乎是并行的，因此您似乎没有过拟合的问题。您的模型可能不适合，因此您可以尝试使用更复杂的模型。但是，这可能是此算法在此特定训练集上能获得的效果。在大多数实际问题中，没有算法可以使误差达到零。
关于您的错误增加的原因，我不知道这种特定算法的工作原理，但是由于它似乎依赖于随机方法，因此似乎是合理的行为。它会上下波动，但不会稳定增加，因此似乎没有问题。