Réseau de neurones / sur-apprentissage

Bonjour,
svp,comment faire l'apprentissage d'un réseau sans tomber dans le sur-apprentissage ?
Merci : )

Renseigne toi sur la cross-validation, je pense que ça répond à ta question.

Et assure toi de bien avoir assez de données en apprentissage (au moins trois fois plus que de poids dans ton RdN).

c'est à dire si j'ai 3 neurones en couches cachées il me faut 27 couple (input/output)? pouvez-vous me dire dire s'il vous plait ceci est il justifié par quelle méthode?
merci :)

J'avais pas vu ce message, c'est un peu tard mais la réponse servira à tout le monde.
Basiquement, si tu as autant de poids que d'instances, chaque poids va essayer de se spécialiser pour une instance et c'est alors VRAIMENT ce que l'on appelle du sur-apprentissage. C'est pour cela qu'il faut toujours faire de la validation croisée.
Dans un RdN, tu calcules le nombre de poids, puis tu multiplies ce nombre au moins par trois pour connaître le nombre d'instances minimum qu'il te faut. Je ne me rappelle pas d'où cela vient, mais c'était parmi des études statistiques sur les RdN.

Si tu souhaites vraiment généraliser, tu peux tenter de faire du Drop-out ou Drop-Connect.

bonjour, dans un réseau de neurone le surapprentissage peut être dû à la determination du noombre des neurones dans la couche caché si le nombre est grand ceci peut provoquer un surapprentissage il y a plusieurs disciplines pour determiner ce nombre tu peux consulter cet article http://www.ijcsmc.com/docs/papers/No...1201499a19.pdf

la plus simple est (le nombre des neurones d entree + nombre de neurone de sortie) * (2/3)

bon courage