bp神经网络训练结果怎么看,BP神经网络训练函数

神经网络算法中什么是训练集,什么是测试集?以及其各对应的作用?本人新手,望高手指

机器学习中训练集、验证集、测试集的定义和作用到底是什么样的？

AI爱发猫 www.aifamao.com。

下面是一些定义及作用：Trainingset:Asetofexamplesusedforlearning,whichistofittheparameters[i.e.,weights]oftheclassifier.训练集是用来学习的样本集，通过匹配一些参数来建立一个分类器Validationset:Asetofexamplesusedtotunetheparameters[i.e.,architecture,notweights]ofaclassifier,forexampletochoosethenumberofhiddenunitsinaneuralnetwork.验证集是用来调整分类器的参数的样本集，比如在神经网络中选择隐藏单元数。

验证集还用来确定网络结构或者控制模型复杂程度的参数Testset:Asetofexamplesusedonlytoassesstheperformance[generalization]ofafullyspecifiedclassifier.测试集纯粹是为了测试已经训练好的模型的分类能力的样本集。

一般验证集在交叉验证里应用的比较多：利用交叉验证方法选择模型思路是：使用训练集(trainset)数据所有候选模型进行参数估计，使用验证集(validationset)为检验样本，然后计算预测均方误差，比较各个模型的预测均方误差，选择预测均方误差最小的拟合模型为选择模型。

神经网络中训练数据集，验证数据集和测试数据集的区别

时间序列数据怎样划分训练集，测试集和验证集

假设现在有12个月的数据，从1月-12月。方案一：设置1月-6月为训练集，7月-9月为测试集，10月-12月为验证集；方案二：设置1月-6月为训练集，7月-9月为验证集，10月-12月为测试集。

训练集：是用于训练的样本集合，主要用来训练神经网络中的参数。

验证集：用于验证模型性能的样本集合，不同神经网络在训练集上训练结束后，通过验证集来比较判断各个模型的性能，这里的不同模型主要是指对应不同超参数的神经网络，也可以指完全不同结构的神经网络。

测试集：对于训练完成的神经网络，测试集用于客观的评价神经网络的性能。扩展资料：时间序列数据是在不同时间上收集到的数据，用于所描述现象随时间变化的情况。

这类数据反映了某一事物、现象等随时间的变化状态或程度。很多计量经济学的模型也用到了时间序列数据。比如2000—2005年我国的国内生产总值数据就是时间序列数据。

时间序列数据可分为平稳过程、去趋势平稳过程以及差分平稳过程等等很多种类。时间序列数据的缺陷是无法对与时间相关的变量进行控制。

神经网络测试样本集，训练样本集怎么理解，编程目的是让测试样本输出跟踪目标输出么？谢谢指导~~~不懂~

训练样本是用来训练学习机的，测试样本是学习机要识别的对象。

比如你想让一台电脑能识别茶杯，首先你要准备一个茶杯(训练样本)，然后把茶杯给计算机看(数据输入)，并告诉电脑说这样的东东是茶杯(期望输出)，电脑看到茶杯后它认为是花盆，但看到你的期望是茶杯，他就不停训练自己这个是茶杯不是花盆，直到电脑他自己认为茶杯是茶杯后结束（这个过程叫学习），然后你把另一只茶杯(测试样本)放在电脑面前，并问他这是什么东东，电脑通过运算后告诉你是茶杯(这个过程叫识别)。

神经网络的原理是输入层的数据经过多个神经元后的输出值尽量接近给出的期望值，如果输出值与期望值误差大，则反复修改神经元的权，直到输出值与期望值的误差在可接受范围。

你好！我在利用BP神经网络时，我的训练集和预测集的误差都还可以，只是测试集的误差很大，怎么解决？

bp神经网络问题

训练数据和测试数据的区别知乎

常用的神经网络就是向前反馈的BP(BackPropagation)网络，也叫多层前馈网络，而BP在weka中就是由MultilayerPerceptron算法实现的。

所以呢在wekaexplorer中选用classifiers.functions.MultilayerPerceptron训练分类模型就可以了^^。

BP神经网络的训练集需要大样本吗？一般样本个数为多少？

BP神经网络样本数有什么影响学习神经网络这段时间，有一个疑问，BP神经网络中训练的次数指的网络的迭代次数，如果有a个样本,每个样本训练次数n，则网络一共迭代an次，在n>>a情况下，网络在不停的调整权值，减小误差，跟样本数似乎关系不大。

而且，a大了的话训练时间必然会变长。换一种说法，将你的数据集看成一个固定值，那么样本集与测试集也可以按照某种规格确定下来如7：3所以如何看待样本集的多少与训练结果呢？

或者说怎么使你的网络更加稳定，更加符合你的所需。

我尝试从之前的一个例子中看下区别如何用70行Java代码实现深度神经网络算法作者其实是实现了一个BP神经网络，不多说，看最后的例子一个运用神经网络的例子最后我们找个简单例子来看看神经网络神奇的效果。

为了方便观察数据分布，我们选用一个二维坐标的数据，下面共有4个数据，方块代表数据的类型为1，三角代表数据的类型为0，可以看到属于方块类型的数据有（1，2）和（2，1），属于三角类型的数据有（1，1），（2，2），现在问题是需要在平面上将4个数据分成1和0两类，并以此来预测新的数据的类型。

图片描述我们可以运用逻辑回归算法来解决上面的分类问题，但是逻辑回归得到一个线性的直线做为分界线，可以看到上面的红线无论怎么摆放，总是有一个样本被错误地划分到不同类型中，所以对于上面的数据，仅仅一条直线不能很正确地划分他们的分类，如果我们运用神经网络算法，可以得到下图的分类效果，相当于多条直线求并集来划分空间，这样准确性更高。

图片描述简单粗暴，用作者的代码运行后训练5000次。

根据训练结果来预测一条新数据的分类（3,1）预测值（3,1）的结果跟（1,2）（2,1）属于一类属于正方形这时如果我们去掉2个样本，则样本输入变成如下//设置样本数据，对应上面的4个二维坐标数据double[][]data=newdouble[][]{{1,2},{2,2}};//设置目标数据，对应4个坐标数据的分类double[][]target=newdouble[][]{{1,0},{0,1}};12341234则（3,1）结果变成了三角形，如果你选前两个点你会发现直接一条中间线就可以区分这时候的你的结果跟之前4个点时有区别so你得增加样本直到这些样本按照你所想要的方式分类，所以样本的多少重要性体现在，样本得能反映所有的特征值（也就是输入值），样本多少或者特征（本例子指点的位置特征）决定的你的网络的训练结果，！

！！这是我们反推出来的结果。这里距离深度学习好像近了一步。另外，这个70行代码的神经网络没有保存你训练的网络，所以你每次运行都是重新训练的网络。

其实，在你训练过后权值已经确定了下来，我们确定网络也就是根据权值，so只要把训练后的权值保存下来，将需要分类的数据按照这种权值带入网络，即可得到输出值，也就是一旦网络确定，权值也就确定，一个输入对应一个固定的输出，不会再次改变！

个人见解。

最后附上作者的源码，作者的文章见开头链接下面的实现程序可以直接拿去使用，import.Random;publicclassBpDeep{publicdouble[][]layer;//神经网络各层节点publicdouble[][]layerErr;//神经网络各节点误差publicdouble[][][]layer_weight;//各层节点权重publicdouble[][][]layer_weight_delta;//各层节点权重动量publicdoublemobp;//动量系数publicdoublerate;//学习系数publicBpDeep(int[]layernum,doublerate,doublemobp){=mobp;=rate;layer=newdouble[layernum.length][];layerErr=newdouble[layernum.length][];layer_weight=newdouble[layernum.length][][];layer_weight_delta=newdouble[layernum.length][][];Randomrandom=newRandom();for(intl=0;l。