Tensorflow 有可能用较少的实例训练神经网络吗？

当我需要解决回归任务并使用尽可能少的实例时，我遇到了一些问题。当我尝试使用Xgboost时，我必须提供4个实例才能得到合理的结果。但是用于克服回归问题的多层感知器必须使用20个实例，试图改变神经元和层的数量，但答案仍然是20。有没有可能让神经网络解决2到4个实例的回归任务？如果是-请解释我应该做什么才能成功？也许在从感知器训练和获得合理结果所需的实例数量与特征在数据集中的价值之间存在某种关联

---

提前感谢您对少量样本的帮助

，可能有更好的方法可以应用，Xgabost无疑是一种在避免过度拟合方面做得很好的方法

神经网络往往能很好地处理大量的样本。它们通常过于适合小数据集，而性能不如其他算法

然而，在半监督技术方面有一个活跃的研究领域，即使用神经网络来处理大量未标记数据和少量标记样本

下面是一篇文章，让你开始探索这条道路，搜索“半监督学习”

减少较小数据集中过度拟合的另一个有趣领域是多任务学习

多任务学习要求网络为给定的输入实现多个目标。增加更多的需求往往会减少网络可以收敛的解决方案的空间，并因此获得更好的结果。换言之：当定义多个目标时，在一项任务中表现出色所需的参数通常对另一项任务有利，反之亦然

---

最后，开放研究的另一个领域是GANs以及如何将其用于半监督学习。关于这个问题，我现在没有想到任何论文，所以我将把这一点作为脚注。

所谓的“实例”是指训练样本的数量吗？因为在这种情况下，除了最琐碎的任务外，2-4个样本基本上什么都不是。是的，我指的是训练样本的数量。我明白，但对于非常琐碎的任务，它仍然可以很好地工作。谢谢你的帮助，这正是我想看到和阅读的。