A. 什么是算法的拟合能力，和泛化能力是一个概念吗
算法没有这样说法呀
B. bp神经网络提高泛化能力有几种方法
常规的几种增强泛化能力的方法，罗列如下：1、较多的输入样本可以提高泛化能力；
但不是太多，过多的样本导致过度拟合，泛化能力不佳；样本包括至少一次的转折点数据。
2、隐含层神经元数量的选择，不影响性能的前提下，尽量选择小一点的神经元数量。隐含层节点太多，造成泛化能力下降，造火箭也只要几十个到几百个神经元，拟合几百几千个数据何必要那么多神经元？
3、误差小，则泛化能力好；误差太小，则会过度拟合，泛化能力反而不佳。
4、学习率的选择，特别是权值学习率，对网络性能有很大影响，太小则收敛速度很慢，且容易陷入局部极小化；太大则，收敛速度快，但易出现摆动，误差难以缩小；一般权值学习率比要求误差稍微稍大一点点；另外可以使用变动的学习率，在误差大的时候增大学习率，等误差小了再减小学习率，这样可以收敛更快，学习效果更好，不易陷入局部极小化。
5、训练时可以采用随时终止法，即是误差达到要求即终止训练，以免过度拟合；可以调整局部权值，使局部未收敛的加快收敛。
C. 如何提高网络的泛化能力 – MATLAB中文论坛
1、加深网络深度
2、提升训练及数据
3、多次训练的同时，引入dropouts防止过拟合
D. 生成对抗网络怎样来提高回归网络的泛化能力
GAN启发自博弈论中的二人零和博弈，由[Goodfellow et al, NIPS
2014]开创性地提出，包含一个生成模型（generative model G）和一个判别模型（discriminative model
D）。生成模型捕捉样本数据的分布，判别模型是一个二分类器，判别输入是真实数据还是生成的样本。这个模型的优化过程是一个“二元极小极大博弈（minimax
two-player game）”问题，训练时固定一方，更新另一个模型的参数，交替迭代，使得对方的错误最大化，最终，G
能估测出样本数据的分布。
GAN主要应用于图像领域，如高分辨率图像生成，人脸合成等。
E. 贝叶斯正则化算法是怎么提高泛化能力的！有点不懂原理！
由于造成过拟合的原因可能是太多的特征量，所以可采用减少特征量的方法。但是不妨换种思路，减少特征量的权值（这个特征乘以的 \theta 很小），来达到目的。
例如，对于 h_{\theta}(x)=\theta_{0}+\theta_{1}x_{1}+\theta_{2}x_{2}+\theta_{3}x_{3}+\theta_{4}x_{4}，已知 x_{3}\ x_{4} 的关联度不大，我们需要减少它的权值（\theta_{3}\ \theta_{4}），可将代价函数修改为 J(\theta)=\frac{1}{2m}\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2+1000\theta_{3}^{2}+1000\theta_{4}^{2}，这样为了降低 J(\theta)，就会使得 \theta_{3}\ \theta_{4} \rightarrow 0，达到了减小特征的目的。
但是通常，我们不知道哪些特征量是无关的，所以给出修改后的代价函数定义：
\large J(\theta)=\frac{1}{2m}[\sum_{i=1}^{m}(h_{\theta}(x^{(i)})-y^{(i)})^2+\lambda\sum_{i=1}^{n}\theta_{j}^{2}]
其中，\lambda 称为正则化参数，\lambda\sum_{i=1}^{n}\theta_{j}^{2} 称为正则项，目的是使得 \theta_{j} 减小。正则化使得假设函数更加简单，减小发生过拟合概率。
注：如果 \lambda 过大，会造成 \theta_{j}\rightarrow 0 \ (j=1,2,...,n)，使得 h_{\theta}(x)=\theta_{0}，造成欠拟合。
F. 提高随机森林泛化能力的方法有哪些
随机森林是一种集成分类器,对影响随机森林性能的参数进行了分析,结果表明随机森林中树的数量对随机森林的性能影响至关重要。对树的数量的确定方法以及随机森林性能指标的评价方法进行了研究与总结。以分类精度为评价方法,利用UCI数据集对随机森林中决策树的数量与数据集的关系进行了实验分析,实验结果表明对于多数数据集,当树的数量为100时,就可以使分类精度达到要求。将随机森林和分类性能优越的支持向量机在精度方面进行了对比,实验结果表明随机森林的分类性能可以与支持向量机相媲美。
G. 贝叶斯正则化算法，为什么可以提高泛化能力，别的算法也只是把训练样本，训练好，为什么泛化能力就不行了
因为贝叶斯这些是综合考虑过去与未来进行整合的算法，有些算法只考虑预测值是否合适。贝叶斯是对预测值与当前值进行耦合，贝叶斯本身就是一种预测器，预测器模型都有泛化能力好的优点。
H. 有哪些手段可以提升深度神经网络的泛化性能
人工神经网络以其智能性见长，那么神经网络能真的学到一个映射的本质吗？也就是说，对一个映射给出一定的必要的训练样本训练后，网络能否对样本以外的样本给出较为准确的预测。泛化能力也就是神经网络用于对未知数据预测的能力。神经网络对训练样本区间范围内的样本有较好的泛化能力，而对于训练样本确定的范围外的样本不能认为有泛化能力。常规的几种增强泛化能力的方法，罗列如下：
I. 什么算法可以防止bp神经网络过拟合
你好，遗传算法在一定程度上可以防止过拟合。 遗传算法主要是针对神经网络的优化的。他是通过交叉和突变来实现对神经网络的优化。 过拟合其实是说模型太过严格，泛化不够。容错性不够好。 因为遗传算法通过交叉和突变，他可以提升模型的泛化能力。
J. 神经网络的遗传算法可以防止过拟合嘛
你好，遗传算法在一定程度上可以防止过拟合。
遗传算法主要是针对神经网络的优化的。他是通过交叉和突变来实现对神经网络的优化。
过拟合其实是说模型太过严格，泛化不够。容错性不够好。
因为遗传算法通过交叉和突变，他可以提升模型的泛化能力。