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？

谷歌人工智能写作项目：神经网络伪原创

matlab bp神经网络工具箱怎么用

%%训练集/测试集产生%训练集——用于训练网络P_train=;%输入集T_train=;%输出集%测试集——用于测试或者使用AI发猫。

P_test=;%输入T_test;N=size(P_test,2);%%BP神经网络创建、训练及仿真测试%创建网络net=newff(P_train,T_train,9);%设置训练参数net.trainParam.epochs=1000;=1e-3;=0.01;%训练网络net=train(net,P_train,T_train);%仿真测试、使用。

T_test=sim(net,P_test);%得到结果。

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

神经网络中训练数据集，验证数据集和测试数据集的区别

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。

什么是BP神经网络？

。

BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。

经反复学习，最终使误差减小到可接受的范围。具体步骤如下：1、从训练集中取出某一样本，把信息输入网络中。2、通过各节点间的连接情况正向逐层处理后，得到神经网络的实际输出。

3、计算网络实际输出与期望输出的误差。4、将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经网络的连接权值向误差减小的方向转化。

5、対训练集中每一个输入—输出样本对重复以上步骤，直到整个训练样本集的误差减小到符合要求为止。

python进行bp神经网络训练时有没有区分训练和测试样本

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。

测试集和训练集是什么意思？

1.测试集：机器学习学科中，学习样本三部分之一，测试集用来检验最终选择最优的模型的性能如何。2.训练集：机器学习学科中，学习样本三部分之一，训练集用于建立模型。

验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。

扩展资料训练集用于监督学习中，监督学习是指利用一组已知类别的样本调整分类器的参数，使其达到所要求性能的过程，也称为监督训练或有教师学习。监督学习是从标记的训练数据来推断一个功能的机器学习任务。

训练数据包括一套训练示例。在监督学习中，每个实例都是由一个输入对象和一个期望的输出值组成。监督学习算法是分析该训练数据，并产生一个推断的功能，其可以用于映射出新的实例。

大数据环境下的机器学习算法，依据一定的性能标准，对学习结果的重要程度可以予以忽视。

采用分布式和并行计算的方式进行分治策略的实施，可以规避掉噪音数据和冗余带来的干扰，降低存储耗费，同时提高学习算法的运行效率。参考资料来源：百度百科-测试集参考资料来源：百度百科-训练集。