神经网络训练集准确率低,神经网络训练结果分析

1、神经网络训练集正确率88%，测试集只有50%，这是为什么

训练数据和测试数据不太一样吧，不过测试集比训练集差是正常的。

谷歌人工智能写作项目：小发猫

2、caffe训练神经网络测试集准确率达到多少就可以

这个并没有准确的结论，如果你数据预处理存在问题或者标签不合理，accuracy自然不会很高人工神经网络训练集准确率。并且，还需要改变已有网络中的参数或者网络结构才能有效提高accuracy。我们的目的并不在于准确率到底是多少，而是当测试准确率比较高时，得到的模型可以代替人去进行复杂图片的等级判断

3、神经网络训练一定次数后准确率突然下降怎么回事？

经网络训练时准确度突然变得急剧下降，很有可能是你的休息不够睡眠不足导致注意力不集中，近段时间的心情也很影响训练时的准确度，心情烦躁准确度也就会下降。

4、为什么用训练好的bp神经网络去测试，准确率为0？

1、你可以尝试运行多次后比较其结果，最好重启matlab，再运行你的神经网络程序。
2、确认一下你的bp神经网络参数设置是否合理。
3、也有可能的数据不适合用bp神经网络训练，可以考虑其他方法。

5、神经网络训练时准确度突然变得急剧下降，为啥?

可能是因为太激进，设置太高的学习率，也可能是因为设置的参数的问题。

6、在神经网络的训练过程中，是应当追求训练准确率，还是应当追求测试准确率

我的经验是训练准确率尽量接近测试准确率或者训练误差与测试误差均低,单纯追求训练准确率的最高不一定可取,有可能出现overlearning的情况,有时训练准确率高是因为a network might improve the error rating on a number of already correctly-classified cases at the expense of misclassifying an additional case.

7、人工神经网络评价法

人工神经元是人工神经网络的基本处理单元，而人工智能的一个重要组成部分又是人工神经网络。人工神经网络是模拟生物神经元系统的数学模型，接受信息主要是通过神经元来进行的。首先，人工神经元利用连接强度将产生的信号扩大；然后，接收到所有与之相连的神经元输出的加权累积；最后，将神经元与加权总和一一比较，当比阈值大时，则激活人工神经元，信号被输送至与它连接的上一层的神经元，反之则不行。

人工神经网络的一个重要模型就是反向传播模型(Back-Propagation Model)(简称BP模型)。对于一个拥有n个输入节点、m个输出节点的反向传播网络，可将输入到输出的关系看作n维空间到m维空间的映射。由于网络中含有大量非线性节点，所以可具有高度非线性。

(一)神经网络评价法的步骤

利用神经网络对复垦潜力进行评价的目的就是对某个指标的输入产生一个预期的评价结果，在此过程中需要对网络的连接弧权值进行不断的调整。

(1)初始化所有连接弧的权值。为了保证网络不会出现饱和及反常的情况，一般将其设置为较小的随机数。

(2)在网络中输入一组训练数据，并对网络的输出值进行计算。

(3)对期望值与输出值之间的偏差进行计算，再从输出层逆向计算到第一隐含层，调整各条弧的权值，使其往减少该偏差的方向发展。

(4)重复以上几个步骤，对训练集中的各组训练数据反复计算，直至二者的偏差达到能够被认可的程度为止。

(二)人工神经网络模型的建立

(1)确定输入层个数。根据评价对象的实际情况，输入层的个数就是所选择的评价指标数。

(2)确定隐含层数。通常最为理想的神经网络只具有一个隐含层，输入的信号能够被隐含节点分离，然后组合成新的向量，其运算快速，可让复杂的事物简单化，减少不必要的麻烦。

(3)确定隐含层节点数。按照经验公式：

灾害损毁土地复垦

式中：j——隐含层的个数；

n——输入层的个数；

m——输出层的个数。

人工神经网络模型结构如图5-2。

图5-2人工神经网络结构图(据周丽晖，2004)

(三)人工神经网络的计算

输入被评价对象的指标信息(X1，X2，X3，…，Xn)，计算实际输出值Yj。

灾害损毁土地复垦

比较已知输出与计算输出，修改K层节点的权值和阈值。

灾害损毁土地复垦

式中：wij——K-1层结点j的连接权值和阈值；

η——系数(0＜η＜1)；

Xi——结点i的输出。

输出结果：

Cj＝yj(1-yj)(dj-yj) (5-21)

式中：yj——结点j的实际输出值；

dj——结点j的期望输出值。因为无法对隐含结点的输出进行比较，可推算出：

灾害损毁土地复垦

式中：Xj——结点j的实际输出值。

它是一个轮番代替的过程，每次的迭代都将W值调整，这样经过反复更替，直到计算输出值与期望输出值的偏差在允许值范围内才能停止。

利用人工神经网络法对复垦潜力进行评价，实际上就是将土地复垦影响评价因子与复垦潜力之间的映射关系建立起来。只要选择的网络结构合适，利用人工神经网络函数的逼近性，就能无限接近上述映射关系，所以采用人工神经网络法进行灾毁土地复垦潜力评价是适宜的。

(四)人工神经网络方法的优缺点

人工神经网络方法与其他方法相比具有如下优点：

(1)它是利用最优训练原则进行重复计算，不停地调试神经网络结构，直至得到一个相对稳定的结果。所以，采取此方法进行复垦潜力评价可以消除很多人为主观因素，保证了复垦潜力评价结果的真实性和客观性。

(2)得到的评价结果误差相对较小，通过反复迭代减少系统误差，可满足任何精度要求。

(3)动态性好，通过增加参比样本的数量和随着时间不断推移，能够实现动态追踪比较和更深层次的学习。

(4)它以非线性函数为基础，与复杂的非线性动态经济系统更贴近，能够更加真实、更为准确地反映出灾毁土地复垦潜力，比传统评价方法更适用。

但是人工神经网络也存在一定的不足：

(1)人工神经网络算法是采取最优化算法，通过迭代计算对连接各神经元之间的权值不断地调整，直到达到全局最优化。但误差曲面相当复杂，在计算过程中一不小心就会使神经网络陷入局部最小点。

(2)误差通过输出层逆向传播，隐含层越多，逆向传播偏差在接近输入层时就越不准确，评价效率在一定程度上也受到影响，收敛速度不及时的情况就容易出现，从而造成个别区域的复垦潜力评价结果出现偏离。

8、为什么神经网络训练，训练集比例很小预测结果反而很好

通常来说，训练喂的数据越多，预测应该越好吧
最好，用交叉验证确认一下
也有可能训练样本量大，数据特征较多，但网络层次太少，特征训练不充分，预测结果变差

9、人工神经网络一般用于预测多少年的数据

这个要视处理的问题而定，训练网络的样本是基于多少年的数据，相应预测的就是多少年的数据。例如电力负荷预测，当进行的是短期负荷预测时，输入的样本为最近几日的负荷数据，那么预测的自然是最近几日的，不可能再长。而进行长期负荷预测时，训练样本是以年为单位的负荷数据，就可以预测几年甚至数十年的负荷。再例如，进行人口增长预测，则一般是以多年预测为基础的。