向数据集添加内容后，重新训练PyBrain神经网络。

Question

3

我有一个运行良好的pybrain NN，看起来效果不错。理想情况下，我希望能够在每个数据点（在这种情况下是上周的数字）添加到数据集之后训练网络并获得预测结果。

目前，我是通过每次重建网络来实现这一点的，但随着每个示例的添加，训练网络所需的时间越来越长（在包含数千个示例的数据集中，每个示例需要+2分钟）。

是否有一种方法可以通过将新示例添加到已经训练过的NN并更新它来加快此过程，或者我是否过于复杂化了问题，并且最好在单个示例集上进行训练（例如去年的数据），然后在所有新示例（今年）上进行测试？

- Kallikantzaros

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- Matteo De Felice · Accepted Answer

这取决于你的目标。如果你需要一个更新的神经网络模型，你可以进行在线训练，即从$t-1$时刻的网络开始，使用在$t$时刻获取的样本执行一次反向传播。或者你可以舍弃旧样本，以获得固定数量的训练样本，或者通过一种聚类方法（即将相似的样本合并为一个）来减少训练集的大小。

如果你能更好地解释你的应用程序，那么建议解决方案就会更简单。