Neural network 如果神经网络使用最大训练迭代次数，这意味着什么？网络是否设置得很差？

我目前正在调整我的神经网络的输入，我正在做分类工作。到目前为止，我使用的许多组合都经过了1000次迭代（我的设置中允许的最大迭代次数）

我尝试过的一种新的输入组合是在20-50次迭代后持续停止。准确度方面，它表现得更好（仍然不是一流的，但平均来说有点更好，一致性也更高）

---

我如何最好地解释这一点？其他组合中包含的输入会分散系统的注意力？如果两个网络在精度方面相似，但其中一个在20次迭代后停止，而另一个使用允许的最大值，则前者优于后者？

如果神经网络使用的迭代次数（也称为“历元”）比构建时间更短，则没有什么可以说它不如前者。对于一些人来说，这可能是一个足够的理由，但一旦建立了模型，比较就可以归结为准确性（RMSE、AUC等），可能还包括复杂性，因为这可能会影响预测的速度

神经网络可以使用所有迭代，因为它尚未收敛（即发现更多信息）。在这种情况下，让网络训练更长时间将是一件好事

也就是说，如果网络训练时间过长，它可能会过度适应。这就是为什么经常采用“提前停车”的原因。本质上，它基本上是说，我想在我的网络停止学习信息后停止学习（用户定义的阈值）

---

直接回答您的问题（“我该如何解释？”）-在没有任何进一步信息的情况下，您的网络似乎很快就学会了必要的信息，而对整个迭代次数的训练导致了一些轻微的过度拟合。

如果神经网络使用更多的迭代（又称为“历代”），那么它就没有什么比构建时间更短更差的了。对于一些人来说，这可能是一个足够的理由，但一旦建立了模型，比较就可以归结为准确性（RMSE、AUC等），可能还包括复杂性，因为这可能会影响预测的速度

神经网络可以使用所有迭代，因为它尚未收敛（即发现更多信息）。在这种情况下，让网络训练更长时间将是一件好事

也就是说，如果网络训练时间过长，它可能会过度适应。这就是为什么经常采用“提前停车”的原因。本质上，它基本上是说，我想在我的网络停止学习信息后停止学习（用户定义的阈值）

---

直接回答您的问题（“我该如何解释？”）-在没有任何进一步信息的情况下，您的网络似乎正在非常快速地学习必要的信息，并且针对整个迭代次数的培训导致了一些轻微的过度拟合。

您的学习框架似乎正在提前停止。没有一般的规则，因为一切都可能发生。如果准确度是相同的，人们可能会说：他们同样优秀，不管他们是如何做到这一点的。当然，我们可以假设，使用较少迭代的方法可能会推广得更好，但这可能是错误的，也可能是正确的。改进交叉验证（例如更多的折叠）有助于改进这种分析。看来您的学习框架正在提前停止。没有一般的规则，因为一切都可能发生。如果准确度是相同的，人们可能会说：他们同样优秀，不管他们是如何做到这一点的。当然，我们可以假设，使用较少迭代的方法可能会推广得更好，但这可能是错误的，也可能是正确的。改进交叉验证（例如更多的折叠）有助于改进这种分析。