深度神經(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)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(jīng)網(wǎng)絡(luò)模型和訓練集有關(guān)。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(shù)據(jù)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(shù)學原理或應用這方面有質(zhì)的突破，可能有解決的機會。

既然使用神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)量和樣本數(shù)。不同的樣本數(shù)和特征數(shù)據(jù)適合不同的算法。像神經(jīng)網(wǎng)絡(luò)這樣的深度學習算法需要訓練大量的數(shù)據(jù)集來建立更好的預測模型。許多大型互聯(lián)網(wǎng)公司更喜歡深度學習算法，因為他們獲得的用戶數(shù)據(jù)是數(shù)以億計的海量數(shù)據(jù)，這更適合于卷積神經(jīng)網(wǎng)絡(luò)等深度學習算法。

如果樣本數(shù)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(shù)據(jù)集，你可以考慮使用卷積神經(jīng)網(wǎng)絡(luò)和其他深度學習算法。

以下是一個圖表，用于說明根據(jù)樣本數(shù)量和數(shù)據(jù)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(guān)注它。謝謝您

請教大牛神經(jīng)網(wǎng)絡(luò)的過擬合問題？

以神經(jīng)網(wǎng)絡(luò)為核心的智能算法是否可以預測股票價格？

如何創(chuàng)建一個優(yōu)秀的神經(jīng)網(wǎng)絡(luò)模型？

例如，要預測一個人是男人還是女人，有兩組因素可供選擇：a.頭發(fā)顏色、皮膚顏色、雙眼皮與否；B.他是否有胡須、是否有亞當蘋果和他的體重。

因此，為了建立一個優(yōu)秀的神經(jīng)網(wǎng)絡(luò)模型，我們必須選擇具有高度相關(guān)性的因素。

同樣的因素，在不同的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中，預測結(jié)果會有很大的不同。

如果結(jié)構(gòu)太簡單，會出現(xiàn)“欠擬合”，即應該分析的不分析；如果結(jié)構(gòu)太復雜，會出現(xiàn)“過擬合”，即不應該分析的不分析。只有正確的網(wǎng)絡(luò)結(jié)構(gòu)才能分析出預期的結(jié)果。

例如：

一個住在偏遠村莊a的學生被城市B中學錄取。他是村里歷史上唯一被B中學錄取的人。高考后，他被清華大學錄取。

如果已經(jīng)安裝了模型，將考慮100%的“住a村”和“讀B高中”的人可以被清華大學錄取。這是真的，但顯然不是我們想要的結(jié)論。

直接圖表：

沃倫·巴菲特（Warren Buffett）是公認的投資大師，在過去20年中實現(xiàn)了20%的平均回報率；詹姆斯·西蒙斯（James Simmons）使用他的量化模型，從1989年到2009年實現(xiàn)了約35%的平均回報率。