bp神经网络预测精度多少合适

Ⅰ bp神经网络的隐层节点数对预测精度有何影响

BP神经网络的隐藏层节点数对BP神经网络预测精度有较大的影响：节点数太少，网络不能很好地学习，需要增加训练次数，训练精度也受影响

Ⅱ matlab7.0做BP神经网络预测，精度怎么看

应该是点performance那个按钮，显示一个误差下降曲线图。

事实上，不需过分关注这条曲线，除非是研究改进算法提高收敛速度的。一般关注网络的实际训练效果，以及实际应用能力，如预测能力等。

BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hidden layer)和输出层(output layer)。

Ⅲ bp神经网络预测结果误差太大可以怎么调整

呵呵，bp算法本身有缺陷 ，你的训练步长 迭代率啥的要设置好

Ⅳ 如何提高BP神经网络模型的预测精度

直接调用归一化函数就可以啦，不会的话看一下这个帖子吧：遗传算法优化BP神经网络的案例（matlab代码分享）
http://www.ilovematlab.cn/forum. ... &fromuid=679292

Ⅳ BP神经网络的隐层节点数对预测精度有何影响

神经网络本身的优化过程，实际上是对一组更加有效的层节点值进行选择。这个问题的回答，于是可以用两个很极端的例子来思考。一种情况是，只有一个节点。那么这个方程就变成了一个非常简单的线性方程y=ax+b的形式。其中a和b就是权值和偏置。在这种情况下，如果你有一个非线性的系统，那么肯定，这个预测的偏差就会非常大。另外一种情况，节点的数量无穷多。因为你的样本数量是有限的，那么如果想要达到一个比较好的优化，就会出现无限多的权值和偏重组合。这些组合都不相同，但是都可以达到一个类似的结果。那么结果就是，这些组合就会呈现出随机的特性，因为他们的初始值都是随机给出的。那么产生的结果就是，针对你的训练样本，他们的表现很可能非常好，但是如果你要做内推和外推，这个结果就会呈现出非常非常大的随机性。
那么产生了一个矛盾，如果节点数太小，那么无法完全的呈现出你样本的关联特性；如果选择节点数太多，那么你的神经网络结果又会呈现出极大的随机性。这是一个很矛盾的问题。
直到目前为止，我读到的文献中，只有一个人曾经提到，你的神经网络节点数量应该是你输入数据的大小*(2-32之间的数值)。比如你的输入数据为5个点，你有100个样本，那么你的节点数量选择就在5×2 到5×32之间。这个也和你的样本总数量有个，如果你有100个样本，那么5×32这种节点数量可能就太大了。5×32总共有160个权值160个偏置，其中还有各种交叉。100个样本想要解决这个问题，明显你能感觉到好像是用2个数组解一个4元的方程组一样。没有固定的解。
因为没有具体的问题，所以只能说这么多了。

Ⅵ BP神经网络最后得出的误差很大

是校验的意思吧！在训练样本中一部分用来进行训练，一部分用来校验！然后用别的样本来进行测试test！

Ⅶ bp神经网络在多输入多输出的情况下,预测的精度为什么这么差

BP神经网络对于训练样本数据的要求是比较高的，样本数量一定要多，建议处理一下样本数据，增多数量，加入动量因子并调整其数值。

Ⅷ 神经网络怎么定义预测的精度

回归问题一般均方误差损失函数得到的函数值即为精度
分类问题的话一种可以用交叉熵损失函数的函数值作为精度，另外也可以用分类的准确性作为精度值

Ⅸ bp神经网络，是不是数据越多，预测能力越好！

准确的说是数据越全面，越能体现数据分布，预测才越好
但一般我们也不知道数据原本的分布是怎么样的~所以，收集越多的不同的数据，一般来说预测就越好。当然，如果发现数据多到一个程度后，预测效果没什么变化，说明数据的表达能力，或者说数据的分布已经很充沛了，特征方差不变了，多了也没什么用