我是神经网络的新手。我正在尝试使用多层神经网络解决分类问题。数据样本由40个要素和8个地面真相类别之一组成。因此存在的问题是，训练数据不大（每个班级至少50个样本）并且不平衡。所实现的网络是一个两层神经元网络，每个神经元网络具有100个神经元。结果对于训练来说是完美的（〜1.00），但是对于测试数据（在0.6到0.9之间）则非常不稳定。
我现在的问题是，如果你们有什么想法，如何使网络更强大？对于较小的数据集，最好是层较少但神经层更多或更多而神经元更少？网络在第一层应具有多少神经元（输入特征向量的维数为40）？ 在图像分类中，通常会通过雷电变化，旋转等方法来增强输入图像。特征向量是否有相似之处？