特定数据集的神经网络的有效配置（层数，保留率等）是什么？

Question

我尝试使用神经网络（aforge-lib）解决一些简单的功能：

这是我生成数据集的方式：

const int GesamtAnzahl = 200;
float[,] tempData = new float[GesamtAnzahl, 2];
float minX = float.MaxValue;
float maxX = float.MinValue;

Random rnd = new Random();
var granzen = new List<int>() 
{
    rnd.Next(1, GesamtAnzahl-1),
    rnd.Next(1, GesamtAnzahl-1),
    rnd.Next(1, GesamtAnzahl-1),
    rnd.Next(1, GesamtAnzahl-1),
};
granzen.Sort();

for (int i = 0; i < GesamtAnzahl; i++)
{

    var x = i;
    var y = -1;
    if ((i > granzen[0] && i < granzen[1]) ||
        (i > granzen[2] && i < granzen[3]))
    {
        y = 1;
    }
    tempData[i, 0] = x;
    tempData[i, 1] = y;
}

所以这很容易：如果输入在2个较低的随机生成的“边界”之间或2个较高的数字之间，则输出为1。否则输出为1。

输入值是介于-1和1之间的标准。因此0是-1而200是1。

作为网络，我将BackPropagationLearning与BipolarSigmoidFunction一起使用，并使用了几种配置：

Learning Rate: 0,1
Momentum: 0
Sigmoids alpha value: 2
Hidden Layer 1: 4 neurons
Hidden Layer 2: 2 neurons


Learning Rate: 0,1
Momentum: 0
Sigmoids alpha value: 2
Hidden Layer 1: 4 neurons
Hidden Layer 2: 2 neurons
Hidden Layer 3: 2 neurons


Learning Rate: 0,2
Momentum: 0
Sigmoids alpha value: 2
Hidden Layer 1: 4 neurons
Hidden Layer 2: 2 neurons
Hidden Layer 3: 2 neurons

依此类推。他们都没有工作。如此处所述：https://towardsdatascience.com/beginners-ask-how-many-hidden-layers-neurons-to-use-in-artificial-neural-networks-51466afa0d3e足以具有2个隐藏层。第一个具有4个神经元，第二个具有2个神经元。

最有效的配置是：

Learning Rate: 0,01
Momentum: 0
Sigmoids alpha value: 2
Hidden Layer 1: 4 neurons
Hidden Layer 2: 4 neurons
Hidden Layer 3: 4 neurons

Learning Rate: 0,02
Momentum: 0
Sigmoids alpha value: 2
Hidden Layer 1: 4 neurons
Hidden Layer 2: 2 neurons
这大约解决了50％的问题。

由于这是一个非常简单的问题，我想知道我做错了什么。我认为必须有一个具有更好结果的配置。

此问题的最佳配置是什么，为什么？

编辑：新尝试

• 拥有更多数据无济于事。我创建了5000个包含5000点的数据集（GesamtAnzahl = 5000）。这样，网络的成功率就会更差。
• 我试图向数据集添加额外的常量输入（总是1），但这也降低了成功率

我尝试使用神经网络（aforge-lib）解决一些简单的功能：这就是我生成数据集的方式：const int GesamtAnzahl = 200; float [，] tempData =新的float [GesamtAnzahl，2]; float minX = ...

Answer 1

我运行了许多随机创建的网络来解决此问题，但是没有一个结构能够可靠地“解决”该问题。