神经网络训练中的问题
神经网络在数据之海中打捞规律，自成模型。这个过程全权由电脑完成，也因此我们担心它是否是一种泛化的模式，在其它「海域」继续工作时，它能否也能得到正确的结果？如何发现 可以泛化的模式 是机器学习的根本问题。
过拟合与欠拟合
我们的数据通常分成3份：
- 训练数据：用于神经网络训练的数据；
- 测试数据：神经网络训练完后，用于评估其准确度的数据；
- 验证数据：为了确定候选模型中的最佳模型所用的检验数据。
在实际训练中，会有 欠拟合 和 过拟合 的情况。我们将神经网络用训练数据计算时的误差称为「训练误差」，用测试数据计算时的误差称为「泛化误差」。那么：
- 当训练误差与泛化误差都很大时，称模型「欠拟合」。由于训练误差大，所以也称该模型有「高偏差」问题；
- 当训练误差很小，但泛化误差很大时，称模型「过拟合」。由于泛化误差大，所以也称该模型有「高方差」问题。
模型选取
在机器学习中，我们通常从几个候选模型后选择最终的模型。例如，训练多层感知机时，我们会⽐较有着不同隐藏层数、每层有着不同数量神经元以及使用不同激活函数的模型。
当神经网络「欠拟合」时，我们首先可以让它训练更长一段时间，如果仍无效，则会考虑使用更复杂的神经网络（更多隐藏层、增加层的神经元、换其它激活函数等）或者使用其它类型的神经网络。
数据集大小
在如今有大量数据（百万甚至更大）的情况下，训练数据的比重可以占得很大：训/测/验 = 98%/1%/1% 即便是1%的数据也有上万，足以用于检验了，我们可以将更多数据投入训练中。
训练数据集的大小对模型训练结果有什么影响？训练集样本过少，可能会导致严重的「过拟合」问题，反过来说，更多的训练数据能减小泛化误差，而且通常没有坏处（除了训练久一点），尤其是训练复杂的模型时。
在尝试了更多数据后，如果模型仍「过拟合」，则可以考虑 正则化 ，或者换用其它类型的神经网络。
