深度神經網絡是否夸張地過擬合了？這不可能是一樣的。1. 過度裝配可分為許多情況。一是現(xiàn)在的情況太多了。這種神經網絡能對許多情況給出正確的答案。即使它是過度安裝，你也無法證明它。此外，即使它能工作和排氣

深度神經網絡是否夸張地過擬合了？

這不可能是一樣的。

1. 過度裝配可分為許多情況。一是現(xiàn)在的情況太多了。這種神經網絡能對許多情況給出正確的答案。即使它是過度安裝，你也無法證明它。此外，即使它能工作和排氣，也沒有壞處。

2. 是否過擬合與我們的神經網絡模型和訓練集有關。當二者的組合過擬合時，它在訓練集上運行良好，在驗證集上也會出現(xiàn)問題?，F(xiàn)在有一些方法可以對訓練集的數據進行預處理、多次輸入和多次訓練。

3. 目前，過度擬合的問題是不可避免的。培訓本身就是一種適應過程。如果未來在數學原理或應用這方面有質的突破，可能有解決的機會。

既然使用神經網絡也可以解決分類問題，那SVM、決策樹這些算法還有什么意義呢？

這取決于數據量和樣本數。不同的樣本數和特征數據適合不同的算法。像神經網絡這樣的深度學習算法需要訓練大量的數據集來建立更好的預測模型。許多大型互聯(lián)網公司更喜歡深度學習算法，因為他們獲得的用戶數據是數以億計的海量數據，這更適合于卷積神經網絡等深度學習算法。

如果樣本數量較少，則更適合使用SVM、決策樹和其他機器學習算法。如果你有一個大的數據集，你可以考慮使用卷積神經網絡和其他深度學習算法。

以下是一個圖表，用于說明根據樣本數量和數據集大小選擇的任何機器學習算法。

如果你認為它對你有幫助，你可以多表揚，也可以關注它。謝謝您

請教大牛神經網絡的過擬合問題？

你的問題很模糊。你想知道神經網絡的過擬合是什么樣的嗎？為什么會有過擬合。對于第一個問題，神經網絡的過擬合類似于支持向量機、高斯混合模型等建模方法的過擬合，說明訓練數據集的建模效果很好，而測試數據集的建模效果很差，由于強學習能力是預測模型中的噪聲會湮滅有用信息，導致泛化能力差。對于第二個問題，產生上述現(xiàn)象的主要原因是隱層節(jié)點過多（隱層節(jié)點越多，學習能力越強），這使得預測模型在訓練過程中挖掘訓練數據集中的噪聲，即噪聲會湮滅有用信息。因此，在使用神經網絡建模時，必須處理模型過擬合的問題。一方面，我們可以增加樣本數據集，另一方面，我們可以使用交叉驗證來選擇適當數量的隱層節(jié)點，在精度和泛化能力之間做出權衡。最常用的方法是加入正則化項，在一定程度上可以防止模型過擬合的問題。（機器學習算法和python學習）

卷積神經網絡作為特征提取器，用訓練集訓練好的神經網絡可以提取訓練集的特征嗎？還是只能提取測試集的？

1。卷積神經網絡結構

2。卷積神經網絡開發(fā)

3。反向傳播

當用訓練集訓練卷積神經網絡（CNN）時，卷積神經網絡正向傳播的卷積池過程就是特征提取過程。最后，計算損失函數，然后根據鏈求導規(guī)則對反向傳播算法進行改進，得到新的CNN的權值參數。這是調整各層網絡和卷積核的特征抽取器的參數（各層的特征和功能不同）。

訓練是為了使整個卷積神經網絡的特征提取效果更好（越來越適合于訓練集），所以訓練后的卷積神經網絡可以提取訓練集的特征。

運行測試集的目的是測試特征提取器的能力。此時，通過訓練集對CNN各層的參數進行訓練，可以提取出相似訓練集的參數（圖像、聲音、文本）。此時，我們需要再次運行測試集來測試CNN的特征提取能力。

數據集：機器學習任務中使用的一組數據，每個數據集稱為一個樣本。反映樣品在某一方面的性能或性質的項目或屬性稱為特征。

訓練集：訓練過程中使用的數據集，其中每個訓練樣本稱為訓練樣本。從數據中學習模型的過程稱為學習（訓練）。

測試集：學習模型后，將其用于預測的過程稱為測試，使用的數據集稱為測試集，每個樣本稱為測試樣本。