After the loop exits, the best_para

After the loop exits, the best_params variable refers to the best-performing model on the validation set. If
we repeat this procedure for another model class, or even another random initialization, we should use the
same train/valid/test split of the data, and get other best-performing models. If we have to choose what the
best model class or the best initialization was, we compare the best_validation_loss for each model. When
we have finally chosen the model we think is the best (on validation data), we report that model’s test set
performance. That is the performance we expect on unseen examples.

ผลลัพธ์ (ไทย) 1:

หลังจากออกจากลูป ตัวแปร best_params หมายถึงแบบดีที่สุดประสิทธิภาพชุดการตรวจสอบ หากเราทำซ้ำขั้นตอนนี้สำหรับคลาสรุ่นอื่น หรือเริ่มต้นสุ่มแม้อื่น เราควรใช้การเหมือนรถไฟ/ถูกต้อง/ทดสอบแบ่งข้อมูล และรุ่นอื่น ๆ ประสิทธิภาพดีที่สุดนั้น ถ้าเราต้องเลือกสิ่งเรียนรุ่นสุดหรือเริ่มต้นที่ดีที่สุดได้ เราเปรียบเทียบ best_validation_loss สำหรับแต่ละรุ่น เมื่อเราก็เลือกแบบที่เราคิดว่า เป็นดีสุด (ในการตรวจสอบข้อมูล) เรารายงานชุดทดสอบของรุ่นนั้นประสิทธิภาพของ นั่นคือประสิทธิภาพที่เราคาดหวังในตัวอย่าง unseen

ผลลัพธ์ (ไทย) 2:

หลังจากที่ออกจากวงตัวแปร best_params หมายถึงรุ่นที่ดีที่สุดที่มีประสิทธิภาพในชุดการตรวจสอบ ถ้าเราทำซ้ำขั้นตอนนี้สำหรับการเรียนรุ่นอื่นหรือแม้กระทั่งการเริ่มต้นอีกสุ่มเราควรจะใช้รถไฟเดียวกัน/ ถูกต้อง / การทดสอบแยกของข้อมูลและได้รับอื่น ๆ รุ่นที่ดีที่สุดที่มีประสิทธิภาพ ถ้าเราต้องเลือกสิ่งที่เป็นชั้นแบบที่ดีที่สุดหรือเริ่มต้นที่ดีที่สุดคือเราเปรียบเทียบ best_validation_loss สำหรับแต่ละรุ่น เมื่อเราได้เลือกรูปแบบที่สุดที่เราคิดว่าดีที่สุด (ในการตรวจสอบข้อมูล) เรารายงานว่าชุดทดสอบรูปแบบของผลการดำเนินงาน ที่มีประสิทธิภาพการทำงานที่เราคาดหวังในตัวอย่างที่มองไม่เห็น

ผลลัพธ์ (ไทย) 3:

หลังจากที่วงออก , best_params ตัวแปร หมายถึง การแสดงที่ดีที่สุดในรูปแบบการตั้งค่า ถ้า
เราทำซ้ำขั้นตอนนี้สำหรับอีกรุ่น คลาส หรือแม้แต่การเริ่มต้นอีก เราควรจะใช้
รถไฟเดียวกัน / ถูกต้อง / การทดสอบแยกของข้อมูลและได้รับประสิทธิภาพที่ดีที่สุดอื่น ๆรูปแบบ ถ้าเราต้องเลือกสิ่งที่
รุ่นที่ดีที่สุดหรือเริ่มต้นการเรียนที่ดีที่สุดคือเราเปรียบเทียบ best_validation_loss แต่ละรุ่น เมื่อ
ในที่สุดเราก็เลือกแบบที่เราคิดว่า ดีที่สุด ( ตรวจสอบข้อมูล ) , เรารายงานว่า แบบทดสอบชุด
) นั่นคือการแสดงที่เราคาดหวังในตัวอย่างที่เห็น