我正在构建一个神经网络分类训练系统。神经网络模型的平常成功率是多少？
我对你建造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。 神经网络训练几乎完美 - 错误率0-1％;但它是一个非常基本的数据集。
我的网络结构如下：80in，208hid，2out。 我的结果是测试数据集的错误率为8％。
基本上在这个问题我想请教一下各种研究成果你在工作中遇到的， ，论文等
加入1： 错误率当然是对测试数据 - 而不是训练。所以这是全新的网络数据集
加2（来自我对该问题的评论）： 我的新结果。 1200个参赛作品，900个训练，300个测试。 Class1中85个，Class2中1115个。 85个测试中有44个测试。错误率 - 6％。它并没有那么糟糕，因为44〜300。15％，所以我更好的2.5倍..
例如见本文：
达尼洛P.曼迪奇和乔纳森A. Chanbers（2000） 。朝向最佳学习速率 反向传播，神经处理快报11：1-5。 PDF
模型性能是完全问题特定的。即使在具有相似质量和发展数据量的情况下，如果目标变量定义相同，绩效可能会有很大差异。显然，问题定义越相似，不同模型的性能越匹配。
要考虑的另一件事是技术性能和业务绩效之间的差异。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％的准确度将是绝望的低。
我还要补充说，除了Predictor提到的之外，衡量你在训练集上的表现通常是没有用的，它可以用来确定你的分类器如何在以前看不见的数据上执行。多次使用相对简单的分类器，您可以在训练集上得到0％的错误率，而无需学习任何有用的东西（这称为过度拟合）。
什么是更常用的（更有助于确定分类器的工作方式）要么保存数据，要么交叉验证，如果您将数据分为三部分：培训，验证和测试，则更好。
此外，很难理解分类器在一个阈值下的工作情况，只给出真正的肯定+真实的否定。人们还倾向于评估假阳性和假阴性，并绘制ROC曲线来查看/评估折衷。所以，说“2.5倍好”，你应该清楚，你比较一个分类器，把所有东西都归类为C2，这是一个非常糟糕的基准。
这不是一个可以轻松回答的问题。错误率高度**取决于数据，NN的复杂度，训练量等。其中一些因素也是可变的，从本质上允许在低速率情况下调整错误率，唯一的目标。确切地说，是 – blahdiblah 2011-12-14 00:11:42
。我在问你最后的最佳结果。我不问如何解决我的网络问题。这是一种研究结果汇总问题。 – user425720 2011-12-14 00:54:12