我正在構建一個神經網絡分類訓練系統。神經網絡模型的平常成功率是多少？
我對你建造的系統的錯誤率感興趣嗎？
來自UCI ML的經典示例是Iris數據集。 神經網絡訓練幾乎完美 - 錯誤率0-1％;但它是一個非常基本的數據集。
我的網絡結構如下：80in，208hid，2out。 我的結果是測試數據集的錯誤率爲8％。
基本上在這個問題我想請教一下各種研究成果你在工作中遇到的， ，論文等
加入1： 錯誤率當然是對測試數據 - 而不是訓練。所以這是全新的網絡數據集
加2（來自我對該問題的評論）： 我的新結果。 1200個參賽作品，900個訓練，300個測試。 Class1中85個，Class2中1115個。 85個測試中有44個測試。錯誤率 - 6％。它並沒有那麼糟糕，因爲44〜300。15％，所以我更好的2.5倍..
例如見本文：
達尼洛P.曼迪奇和喬納森A. Chanbers（2000） 。朝向最佳學習速率 反向傳播，神經處理快報11：1-5。 PDF
模型性能是完全問題特定的。即使在具有相似質量和發展數據量的情況下，如果目標變量定義相同，績效可能會有很大差異。顯然，問題定義越相似，不同模型的性能越匹配。
要考慮的另一件事是技術性能和業務績效之間的差異。在某些應用中，52％的準確度是非常有利可圖的，而在其他領域，98％的準確度將是絕望的低。
我還要補充說，除了Predictor提到的之外，衡量你在訓練集上的表現通常是沒有用的，它可以用來確定你的分類器如何在以前看不見的數據上執行。多次使用相對簡單的分類器，您可以在訓練集上得到0％的錯誤率，而無需學習任何有用的東西（這稱爲過度擬合）。
什麼是更常用的（更有助於確定分類器的工作方式）要麼保存數據，要麼交叉驗證，如果您將數據分爲三部分：培訓，驗證和測試，則更好。
此外，很難理解分類器在一個閾值下的工作情況，只給出真正的肯定+真實的否定。人們還傾向於評估假陽性和假陰性，並繪製ROC曲線來查看/評估折衷。所以，說「2.5倍好」，你應該清楚，你比較一個分類器，把所有東西都歸類爲C2，這是一個非常糟糕的基準。
這不是一個可以輕鬆回答的問題。錯誤率高度**取決於數據，NN的複雜度，訓練量等。其中一些因素也是可變的，從本質上允許在低速率情況下調整錯誤率，唯一的目標。確切地說，是 – blahdiblah 2011-12-14 00:11:42
。我在問你最後的最佳結果。我不問如何解決我的網絡問題。這是一種研究結果彙總問題。 – user425720 2011-12-14 00:54:12