У меня проблема с концепцией валидации для NN. предположим, что у меня есть 100 наборов входных переменных (например, 8 input, X1, ..., X8) и вы хотите предсказать одну цель (Y). теперь у меня есть два способа использовать NN: 1- использовать 70 наборов данных для обучения NN, а затем использовать обученный NN для прогнозирования других 30 наборов Target для проверки, а затем построить вывод VS Target для этих 30 наборов в качестве графика валидации. 2 - используйте 100 наборов данных для обучения NN, а затем разделите все выходы на две части (70% и 30%). сюжет 70% выходов VS соответствует целевым параметрам в качестве графика обучения. затем выведите на экран другие 30% выходы VS их соответствующих целевых объектов в качестве графика валидацииКонцепция проверки для нейронной сети
Какой из них правильный?
Кроме того, какая разница между проверкой NN с новым набором данных и набором данных проверки?
Благодаря
Спасибо за ваш ответ. Но когда я тренирую свой NN для этих 70 наборов данных, я получаю R2 = 0.91, а когда использую 30 других для проверки, я получаю R2 = 0,004 – saeed
Что такое R2 в этом случае? – Anton
Спасибо за ваш ответ. Но когда я тренирую свой NN для этих 70 наборов данных, я получаю R2 = 0,91, а при использовании 30 для проверки я получаю R2 = 0,004. почему это происходит ?. Также, если я использую MATLAB toolbox для обучения NN, используя простой NN с одним скрытым слоем и 20 нейроном, R2 для обучения и валидации составляет 0,4 и 0,25 соответственно, в то время как я использую свой NN с 3 скрытый слой и 20 нейронов в каждом скрытом слое. Я получаю R2 равным 0,91 и 0,004 для обучения и проверки !!!!!! – saeed