模型训练方法之间的比较

Question

假设我有一个数据集，并且由于Kaggle Notebook Environments的限制，我决定将一个大型数据集拆分为多个“块”。 A，B和C。此外，我想训练模型10个时间段。如果我按以下方式训练模型，会有所不同：

A ---> 10个时代

B ---> 10个时代

C ---> 10个时代

与这种方法相比：

A ---> B ---> C [Epoch 1] ---> A ---> B ---> C [Epoch 2] --->…---> A --- > B ---> C [第10集]

此外，如果我认为有区别但不确定，那么一种方法是否比另一种更好？

Answer 1

对于机器学习，基本上，您必须将所有训练数据完全放在一起，以使您的模型不会错过数据集包含的任何模式。我想说的是，在训练模型之前，有一个很大的步骤是 Shuffle 。想象您一直被要求做纯数学，突然您的老师把您带到一个地理问题的前面，并要求您解决它，您将不知道该怎么做，机器是一样的！因此，请确保使用所有数据来训练您的模型，并且如果您的A ---> B ---> C [Epoch 1]是经过改组的数据，那就太好了，或者您必须对其进行改组。