我正在调整我为神经网络所包含的输入，我正在进行分类工作。对于我到目前为止使用的许多组合，它经历了1000次迭代（在我的设置中允许的最大值）。
我尝试过的新输入组合之一是在20-50次迭代后一直停止。准确性方面，它表现得更好（仍然不是很好，但平均来说有点好，而且更加一致）。
我如何最好地解释这个？那些其他组合中包含的输入分散了系统的注意力？如果两个网络的准确度相似，但是一个在20次迭代后停止，而另一个使用最大允许值则是前者优越吗？
答案 0 :(得分：0)
如果它使用更多的迭代（也称为“时代”）而不是花费更少的时间来构建神经网络，那么没有什么可说的。对于某些原因可能已经足够了，但是一旦建立了模型，比较就会降低到准确性（RMSE，AUC等）以及可能影响预测速度的复杂性。
神经网络可以简单地使用所有迭代，因为它尚未收敛（即找到更多信息）。在这种情况下，让网络列车更长时间是一件好事。
那就是说，如果一个网络训练时间过长，它可能会过度配备。这正是为什么经常应用“早期停止”的原因。从本质上讲，它基本上表示我想在停止学习信息（用户定义的阈值）之后阻止我的网络学习。
直接回答您的问题（“我该如何理解？”） - 如果没有任何进一步的信息，您的网络似乎很快就会学到必要的信息，并且对于全部迭代次数的培训是导致一些轻微的过度拟合。