Matlab 在训练神经网络时增加历元数以达到性能目标

我正在用85*650的输入向量和26*650的目标向量训练神经网络。下面是我使用的参数列表

     net.trainParam.max_fail = 6;
     net.trainParam.min_grad=1e-5;
     net.trainParam.show=10;
     net.trainParam.lr=0.9;
     net.trainParam.epochs=13500;
     net.trainParam.goal=0.001;

隐藏节点数=76

---

如你所见，我已将历代的数量设置为13500。将纪元数设置为如此大的数字可以吗？。如果纪元数减少，并且我在测试时得到的分类不好，则性能目标无法达到。

尽量不要关注纪元数。相反，您应该至少有两组数据：一组用于培训，另一组用于测试。使用测试集来了解您的ANN的性能，以及获得一个好的ANN需要多少时间

---

例如，当测试集的性能趋于稳定或开始下降（变得更糟）时，您希望停止培训。这将是过度学习的证据，这也是为什么更多的时代并不总是更好的原因。

当你达到13500岁时，你会得到什么？好的分类还是坏的分类？@NKN我得到了一个相当好的分类。那么，这对你的结构来说是一个好时代。您可以增加隐藏层中的神经元数量，例如，增加85x2或更多（如果85是样本中的变量数量）。在这种结构中，你可能会通过较少的试验次数（较低的年代）获得相同的结果。我认为这是一种错误的看待方法。一个好的算法在运行较长时间时应该表现得更好。这种缩短算法并期望良好分类和泛化的倾向是非常不成熟的。在我看来，只要你有耐心，就应该允许算法运行，并且泛化问题应该作为一个单独的问题来处理（通过辍学或其他方式）。所以，13500或100万个时代，如果这是你有耐心的事情，那就去吧。但是，如果它不是泛化的或过度拟合的，就不要减少历元作为解决方案。我一直在通过反复试验的方法增加历元的数量，直到达到性能目标。这样做对吗？