我正在建立一个NN训练分类的系统。
我对您构建的系统的错误率感兴趣吗？
来自UCI ML的经典示例是Iris数据集。 接受过NN训练的NN几乎是完美的 - 错误率为0-1％;但它是一个非常基本的数据集。
我的网络有以下结构：80英寸，208英里，2英尺。 我的结果是测试数据集的错误率为8％。
基本上在这个问题上我想询问你遇到的各种研究结果， 在你的工作，论文等。
增加1： 错误率当然是测试数据 - 而不是培训。所以它是网络的全新数据集
增加2（来自我在该问题下的评论）： 我的新结果。 1200个条目，900个培训，300个测试。 Class1中的85，Class2中的1115。 85个，44个测试集。错误率 - 6％。它不是那么糟糕，因为44是300的约15％。所以我好2.5倍..
答案 0 :(得分：1)
模型性能完全针对特定问题。即使在具有相似质量和开发数据量的情况下，具有相同的目标变量定义，性能也会有很大差异。显然，问题定义越相似，不同模型的性能就越有可能匹配。
要考虑的另一件事是技术性能和业务性能之间的区别。在某些应用中，52％的准确度是非常有利可图的，而在其他领域，98％的准确度将无可救药地低。
答案 1 :(得分：1)
我还要补充一点，除了Predictor所提到的，测量你在训练集上的表现通常是无用的，作为确定分类器如何对以前看不见的数据执行的指南。很多时候使用相对简单的分类器，您可以在训练集上获得0％的错误率，而无需学习任何有用的东西（这称为过度拟合）。
更常用的（更有助于确定分类器的工作方式）是保持数据或交叉验证，如果将数据分成三部分，则更好：培训，验证和测试。
同样很难理解分类器在一个阈值上的效果如何，并且只给出真正的正面+真正的负面效果。人们倾向于评估假阳性和假阴性并绘制ROC曲线以查看/评估权衡。所以，说“好2.5倍”你应该清楚你的分类器将所有东西归类为C2，这是一个非常糟糕的基线。
答案 2 :(得分：0)
参见本文：
Danilo P. Mandic和Jonathon A. Chanbers（2000）。迈向最佳学习率 反向传播，神经处理信件11：1-5 。 PDF