过拟合和欠拟合的解决方法 以神经网络为核心的智能算法是否可以预测股票价格？
以神经网络为核心的智能算法是否可以预测股票价格？
如何创建一个优秀的神经网络模型？
例如，要预测一个人是男人还是女人，有两组因素可供选择：a.头发颜色、皮肤颜色、双眼皮与否；B.他是否有胡须、是否有亚当苹果和他的体重。
因此，为了建立一个优秀的神经网络模型，我们必须选择具有高度相关性的因素。
同样的因素，在不同的神经网络结构中，预测结果会有很大的不同。
如果结构太简单，会出现“欠拟合”，即应该分析的不分析；如果结构太复杂，会出现“过拟合”，即不应该分析的不分析。只有正确的网络结构才能分析出预期的结果。
例如：
一个住在偏远村庄a的学生被城市B中学录取。他是村里历史上唯一被B中学录取的人。高考后，他被清华大学录取。
如果已经安装了模型，将考虑100%的“住a村”和“读B高中”的人可以被清华大学录取。这是真的，但显然不是我们想要的结论。
直接图表：
沃伦·巴菲特（Warren Buffett）是公认的投资大师，在过去20年中实现了20%的平均回报率；詹姆斯·西蒙斯（James Simmons）使用他的量化模型，从1989年到2009年实现了约35%的平均回报率。
深度神经网络是否夸张地过拟合了？
这不可能是一样的。
1. 过度装配可分为许多情况。一是现在的情况太多了。这种神经网络能对许多情况给出正确的答案。即使它是过度安装，你也无法证明它。此外，即使它能工作和排气，也没有坏处。
2. 是否过拟合与我们的神经网络模型和训练集有关。当二者的组合过拟合时，它在训练集上运行良好，在验证集上也会出现问题。现在有一些方法可以对训练集的数据进行预处理、多次输入和多次训练。
3. 目前，过度拟合的问题是不可避免的。培训本身就是一种适应过程。如果未来在数学原理或应用这方面有质的突破，可能有解决的机会。
可以通过直接减少hidden layer、hidden unit而不是加正则化来解决神经网络过拟合吗？
简单的答案是肯定的。复杂的答案是不确定的（见下文）。
这个概念。
（图片作者：chabacano，许可证：CC by sa 4.0）
从图像中可以明显看出，过度拟合的曲线过于曲折（复杂），对现有数据拟合得非常好，但它不能很好地描述数据的规律，因此面对新数据，我们不得不停下来。
从上面我们得到一个直觉，过度拟合的模型往往比正确的模型更复杂。
。您所说的“直接减少隐藏层和隐藏单元的数量”使网络更薄、更窄正是简化模型的方法。这个想法没有问题。
但是，我们可能必须尝试找出它是否有效。因为，一般来说，更复杂的网络可能更有表现力。
一般来说，神经网络仍然是一个黑匣子。有时，正则化的效果更好，有时则不然。一些问题可能是复杂的网络工作得很好，另一些问题可能是深度和狭窄的网络工作得很好，另一些问题可能是薄而宽的网络工作得很好，或者一些问题可能是简单的网络工作得很好。
具体来说，为了解决过拟合问题，除了简化模型（即您称之为“直接减少隐藏层、隐藏层、隐藏层”）外，还存在漏项（在某种意义上，我们可以看到模型的某些部分由于简化模型的绕道而无法工作），以及人为增加稀疏性限制（稀疏性和简化之间存在模糊关系）或尽快停止训练。
神经网络能不能完全拟合简单函数呢？
答案是，理论上，这取决于运气。
在很大的概率中，训练的结果是达到局部最优。如果你幸运的话，就有可能达到全局最优。因此，在实际应用中，神经网络完全拟合函数存在误差。
当然，神经网络的最佳用途不是拟合函数。我们之所以使用神经网络，是因为我们需要它的泛化能力，即对于未知的特征可以得到很好的分类或回归结果。拟合函数只使用它的记忆能力。
请教大牛神经网络的过拟合问题？
你的问题很模糊。你想知道神经网络的过拟合是什么样的吗？为什么会有过拟合。对于第一个问题，神经网络的过拟合类似于支持向量机、高斯混合模型等建模方法的过拟合，说明训练数据集的建模效果很好，而测试数据集的建模效果很差，由于强学习能力是预测模型中的噪声会湮灭有用信息，导致泛化能力差。对于第二个问题，产生上述现象的主要原因是隐层节点过多（隐层节点越多，学习能力越强），这使得预测模型在训练过程中挖掘训练数据集中的噪声，即噪声会湮灭有用信息。因此，在使用神经网络建模时，必须处理模型过拟合的问题。一方面，我们可以增加样本数据集，另一方面，我们可以使用交叉验证来选择适当数量的隐层节点，在精度和泛化能力之间做出权衡。最常用的方法是加入正则化项，在一定程度上可以防止模型过拟合的问题。（机器学习算法和python学习）
版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。
