BP神经网络的学习样本并非越多越好，样本质量和分布均衡性更为关键。训练次数并非直接影响预测能力，而是与网络架构、问题复杂度和样本规模有关。合适的训练次数和样本数量可以通过实验和规则如Widrow的拇指规则来估算。此外，网络的隐含层节点数并非越多越好，需要找到最优值以平衡逼近能力和泛化能力。增加训练次数可能导致过拟合，降低准确率。
BP神经网络学习样本是不是越多越好！
这个没有明确要求，样本也不是越多越好。通常情况下，你的样本可以一部分用来做验证。加速你有100个样本，90%用来做训练，10%用来做验证等，当然，有时候还得留下10%做测试用。
我个人的经验是，样本数尽量在10以上吧。
谷歌人工智能写作项目：小发猫
神经网络，训练样本500条，为什么比训练样本6000条，训练完，500条预测比6000条样本好！
并非训练样本越多越好，因课题而异rfid。1、样本最关键在于正确性和准确性。你所选择的样本首先要能正确反映该系统过程的内在规律。
我们从生产现场采得的样本数据中有不少可能是坏样本，这样的样本会干扰你的神经网络训练。通常我们认为坏样本只是个别现象，所以我们希望通过尽可能大的样本规模来抵抗坏样本造成的负面影响。
2、其次是样本数据分布的均衡性。你所选择的样本最好能涉及到该系统过程可能发生的各种情况，这样可以极大可能的照顾到系统在各个情况下的规律特征。
通常我们对系统的内在规律不是很了解，所以我们希望通过尽可能大的样本规模来“地毯式”覆盖对象系统的方方面面。3、再次就是样本数据的规模，也就是你要问的问题。
在确保样本数据质量和分布均衡的情况下，样本数据的规模决定你神经网络训练结果的精度。样本数据量越大，精度越高。
由于样本规模直接影响计算机的运算时间，所以在精度符合要求的情况下，我们不需要
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
