bp神經網路預測精度多少合適

Ⅰ bp神經網路的隱層節點數對預測精度有何影響

BP神經網路的隱藏層節點數對BP神經網路預測精度有較大的影響：節點數太少，網路不能很好地學習，需要增加訓練次數，訓練精度也受影響

Ⅱ matlab7.0做BP神經網路預測，精度怎麼看

應該是點performance那個按鈕，顯示一個誤差下降曲線圖。

事實上，不需過分關注這條曲線，除非是研究改進演算法提高收斂速度的。一般關注網路的實際訓練效果，以及實際應用能力，如預測能力等。

BP（Back Propagation）神經網路是1986年由Rumelhart和McCelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。BP網路能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法，通過反向傳播來不斷調整網路的權值和閾值，使網路的誤差平方和最小。BP神經網路模型拓撲結構包括輸入層（input）、隱層(hidden layer)和輸出層(output layer)。

Ⅲ bp神經網路預測結果誤差太大可以怎麼調整

呵呵，bp演算法本身有缺陷 ，你的訓練步長 迭代率啥的要設置好

Ⅳ 如何提高BP神經網路模型的預測精度

直接調用歸一化函數就可以啦，不會的話看一下這個帖子吧：遺傳演算法優化BP神經網路的案例（matlab代碼分享）
http://www.ilovematlab.cn/forum. ... &fromuid=679292

Ⅳ BP神經網路的隱層節點數對預測精度有何影響

神經網路本身的優化過程，實際上是對一組更加有效的層節點值進行選擇。這個問題的回答，於是可以用兩個很極端的例子來思考。一種情況是，只有一個節點。那麼這個方程就變成了一個非常簡單的線性方程y=ax+b的形式。其中a和b就是權值和偏置。在這種情況下，如果你有一個非線性的系統，那麼肯定，這個預測的偏差就會非常大。另外一種情況，節點的數量無窮多。因為你的樣本數量是有限的，那麼如果想要達到一個比較好的優化，就會出現無限多的權值和偏重組合。這些組合都不相同，但是都可以達到一個類似的結果。那麼結果就是，這些組合就會呈現出隨機的特性，因為他們的初始值都是隨機給出的。那麼產生的結果就是，針對你的訓練樣本，他們的表現很可能非常好，但是如果你要做內推和外推，這個結果就會呈現出非常非常大的隨機性。
那麼產生了一個矛盾，如果節點數太小，那麼無法完全的呈現出你樣本的關聯特性；如果選擇節點數太多，那麼你的神經網路結果又會呈現出極大的隨機性。這是一個很矛盾的問題。
直到目前為止，我讀到的文獻中，只有一個人曾經提到，你的神經網路節點數量應該是你輸入數據的大小*(2-32之間的數值)。比如你的輸入數據為5個點，你有100個樣本，那麼你的節點數量選擇就在5×2 到5×32之間。這個也和你的樣本總數量有個，如果你有100個樣本，那麼5×32這種節點數量可能就太大了。5×32總共有160個權值160個偏置，其中還有各種交叉。100個樣本想要解決這個問題，明顯你能感覺到好像是用2個數組解一個4元的方程組一樣。沒有固定的解。
因為沒有具體的問題，所以只能說這么多了。

Ⅵ BP神經網路最後得出的誤差很大

是校驗的意思吧！在訓練樣本中一部分用來進行訓練，一部分用來校驗！然後用別的樣本來進行測試test！

Ⅶ bp神經網路在多輸入多輸出的情況下,預測的精度為什麼這么差

BP神經網路對於訓練樣本數據的要求是比較高的，樣本數量一定要多，建議處理一下樣本數據，增多數量，加入動量因子並調整其數值。

Ⅷ 神經網路怎麼定義預測的精度

回歸問題一般均方誤差損失函數得到的函數值即為精度
分類問題的話一種可以用交叉熵損失函數的函數值作為精度，另外也可以用分類的准確性作為精度值

Ⅸ bp神經網路，是不是數據越多，預測能力越好！

准確的說是數據越全面，越能體現數據分布，預測才越好
但一般我們也不知道數據原本的分布是怎麼樣的~所以，收集越多的不同的數據，一般來說預測就越好。當然，如果發現數據多到一個程度後，預測效果沒什麼變化，說明數據的表達能力，或者說數據的分布已經很充沛了，特徵方差不變了，多了也沒什麼用