神经网络样本太少怎么办

样本不平衡问题与分类算法选择

KNN算法仅依据距离预测点最近的若干样本进行平均计算，远离预测数据的训练样本不会对最终结果产生影响。而SVM、贝叶斯以及神经网络等方法中，每个训练样本都会对预测结果造成一定影响。因此，在面对样本分布不均衡的情况时，KNN的表现往往更为出色。例如，在一个极端情况下，若问题的答案仅有A和B两种可能性，而训练集中A类样本占比高达99%，B类仅占1%，那么SVM、贝叶斯和神经网络模型在进行预测时，很可能无论输入何种数据都会倾向于输出A作为结果。然而，KNN算法则不会出现这种倾向性偏差。

神经网络，训练样本500条，为什么比训练样本6000条，训练完，500条预测比6000条样本好！

样本数量并非越多越优，具体取决于研究课题的特性**rbsci** 。1、样本的核心价值在于其准确性和可靠性。所选用的样本必须能够真实体现系统运行过程中的本质特征与规律。

从实际生产环境中获取的数据中，可能存在大量质量不佳的样本，这类数据会对神经网络训练过程产生干扰。尽管我们通常认为此类问题属于个别情况