auc是个比较敏感的指标，相较于分类loss和分类准确率而言。
一般来说，如果建模有效，auc在前几轮就能发生明显的变化，如果准确率没有发生较大提升，一般来说可能是参数初始化不合理，或者训练的学习率设置太小。
auc提升能显而易见地看到其排序能力的提升，但是loss下降会导致其预估值与真实值的绝对值还是差距较大，在其预估值有实际有意义并参与计算时，需要提升学习率以加快收敛
auc是个比较敏感的指标，相较于分类loss和分类准确率而言。
一般来说，如果建模有效，auc在前几轮就能发生明显的变化，如果准确率没有发生较大提升，一般来说可能是参数初始化不合理，或者训练的学习率设置太小。
auc提升能显而易见地看到其排序能力的提升，但是loss下降会导致其预估值与真实值的绝对值还是差距较大，在其预估值有实际有意义并参与计算时，需要提升学习率以加快收敛
本文标题：auc提升，而loss下降缓慢
本文链接：https://www.haomeiwen.com/subject/kpdgvqtx.html
网友评论