神经网络解决优化问题,神经网络 样本不平衡

bp神经网络遇到新的数据，就预测不准，怎么弄？

预测数据的话BP不是特别好用，最好用Elman反馈神经网络或者RNN循环神经网络，这些有记忆功能的网络比较好用。bp主要和你选择的隐含层数，和误差范围，学习率有关。

你可以调节相关参数来改变神经网络，获得更精确的结果。

谷歌人工智能写作项目：神经网络伪原创

用BP神经网络做数据拟合回归,每次运行结果都不一致,望高人指点,谢了

大哥你这个目标要求的也太高了吧，要1e-12！1e-5，1e-6就行了写作猫。

而且就训练100次由什么用，BP的话起码要3000到5000次训练，复杂问题要10000次左右，再说BP网络存在“殊途同归”的问题，所以每次不太一样也是正常的，只要测试误差满足要求就行了。

以下那些分类算法可以较好地避免样本不平衡问题A KNN BSVM C Bayes D神经网络 答案选A，求解释

KNN只是取了最近的几个样本点做平均而已，离预测数据较远的训练数据对预测结果不会造成影响，但是svm、Bayes和NN每一个训练样本果都会对预测结果产生影响，于是如果样本不平衡的话KNN的效果最好，举个极端一点例子：答案只有A与B，但是训练样本中A的个数占99%，而B只有1%，svm、Bayes和NN训练出来的结果，恐怕预测任何数据给出的答案都是A