Neural network GA训练的神经网络在测试集上的性能比BP训练的神经网络差
我用遗传算法和反向传播训练了一个神经网络。遗传算法为训练数据找到合适的权重，但在测试数据上表现不佳。如果我用反向传播训练神经网络，它在测试数据上表现得更好，即使训练误差不比GA训练版本小很多。即使我使用遗传算法获得的权重作为反向传播的初始权重，神经网络在测试数据上的表现也比仅使用反向传播进行训练差。谁能告诉我哪里出了错吗？我建议你读一些关于过度装修的书。简言之，您将擅长于训练集，但在测试集方面较差（因为神经网络遵循异常、不确定性和数据）。神经网络的任务是泛化的，但遗传算法只能使训练集中的误差最小（公平地说，这是遗传算法的任务） 有一些处理过拟合的方法。我建议您使用验证集。第一步是将数据分成三组。培训、测试和验证。方法很简单，您将使用遗传算法对神经网络进行训练，以最小化训练集上的错误，但您也可以在验证集上运行神经网络，只运行，不运行。训练集上的网络误差减小，但验证集上的误差也应减小。所以，若错误在训练集减少，但在验证集开始增加，那个么您必须停止学习（请不要在第一次迭代时停止）Neural network GA训练的神经网络在测试集上的性能比BP训练的神经网络差,neural-network,genetic-algorithm,backpropagation,Neural Network,Genetic Algorithm,Backpropagation,我用遗传算法和反向传播训练了一个神经网络。遗传算法为训练数据找到合适的权重，但在测试数据上表现不佳。如果我用反向传播训练神经网络，它在测试数据上表现得更好，即使训练误差不比GA训练版本小很多。即使我使用遗传算法获得的权重作为反向传播的初始权重，神经网络在测试数据上的表现也比仅使用反向传播进行训练差。谁能告诉我哪里出了错吗？我建议你读一些关于过度装修的书。简言之，您将擅长于训练集，但在测试集方面较差（因为神经网络遵循异常、不确定性和数据）。神经网络的任务是泛化的，但遗传算法只能使训练集中的误差最小
希望这会有帮助 我建议你读一些关于过度装修的书。简言之，您将擅长于训练集，但在测试集方面较差（因为神经网络遵循异常、不确定性和数据）。神经网络的任务是泛化的，但遗传算法只能使训练集中的误差最小（公平地说，这是遗传算法的任务） 有一些处理过拟合的方法。我建议您使用验证集。第一步是将数据分成三组。培训、测试和验证。方法很简单，您将使用遗传算法对神经网络进行训练，以最小化训练集上的错误，但您也可以在验证集上运行神经网络，只运行，不运行。训练集上的网络误差减小，但验证集上的误差也应减小。所以，若错误在训练集减少，但在验证集开始增加，那个么您必须停止学习（请不要在第一次迭代时停止）
希望这会有帮助 我遇到了类似的问题，神经网络初始值的选择似乎不会影响最终的分类精度。我使用matlab中的feedforwardnet（）函数来比较这两种情况。一种是直接训练，程序给出随机的初始权重和偏差值。一种是通过遗传算法找到合适的初始权值和偏差值，然后将其分配给神经网络，然后开始训练。然而，后一种方法并不能提高神经网络分类的准确性。我遇到了类似的问题，神经网络初始值的选择似乎不会影响最终的分类精度。我使用matlab中的feedforwardnet（）函数来比较这两种情况。一种是直接训练，程序给出随机的初始权重和偏差值。一种是通过遗传算法找到合适的初始权值和偏差值，然后将其分配给神经网络，然后开始训练。但是，后一种方法并不能提高神经网络分类的准确性。您可以更详细地询问关于哪个主题的问题。您可以更详细地询问关于哪个主题的问题。