Al entrenar una red neuronal, ¿tengo que entrenar a la red con la salida correcta para cada entrada posible?

Si es posible enumerar todas las entradas posibles y las salidas conocidas, también podría usar una tabla de búsqueda en lugar de una red neuronal. La idea con NN es lograr que la red se “generalice”, es decir, responda adecuadamente a las entradas que tienen las características generales correctas cuando esa entrada exacta nunca se ha visto antes. No me considero un experto en dominios, pero en general, necesita entrenar la red con suficientes entradas para que aprenda esto, pero también evitar que simplemente memorice su conjunto de entrenamiento sin generalizar. Una red más grande / profunda puede, en general, memorizar más, por lo que requerirá un conjunto de entrenamiento más grande. Es posible que una red (demasiado) pequeña no pueda generalizarse en absoluto.

No todas las demás entradas posibles, pero una buena cantidad de ellas.

Básicamente, debe entrenar la red no solo para la salida 1 cuando se proporciona su entrada específica, sino también para emitir ‘0’ cuando se proporcionan otras entradas. Esto asegura que su red no haya aprendido a emitir ‘1’ independientemente de la entrada dada.

Si da suficientes ejemplos de entradas donde la salida debería ser ‘0’, la red debería ser capaz de generalizar y comprender que cualquier otra entrada debería generar un ‘0’

Debe entrenar su red para discriminar entre las salidas en función de su asociación con la entrada. Debe tener ambos casos, es decir, 0 y 1 y entrenar su red para ambos. De esta manera puede distinguir cuándo dar salida 0 o 1.

No necesariamente, si obtiene un 100% de precisión en los datos de entrenamiento, entonces es probable que esté sobreajustando. Por lo tanto, debe entrenar la red para obtener la mejor precisión, y luego probarla en el conjunto de prueba y comparar la precisión, si obtuvo el 100% de los datos de entrenamiento pero el 90% en la prueba, entonces ciertamente está sobreajustando.