本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com
预防过拟合是RBF神经网络在建模时需要解决的核心问题，调整spread是其中的手段之一
本文讲解和探索spread和RBF神经网络过拟合的关系，展示调整spread是如何解决RBF神经网络过拟合的
通过本文，可以加深理解spread对RBF神经网络泛化能力的影响，以及建模中应该如何调整spread
本节探讨如何调整spread来避免RBF神经网络过拟合
通过增大spread避免RBF神经网络过拟合
预防过拟合是RBF神经网络在建模时需要解决的核心问题，调整spread是其中的手段之一
过拟合的表现就是"训练数据误差小，但没经训练的数据预测误差大"
这主要是由模型的跌宕引起的，而spread刚好就在某种程度上控制了RBF神经网络的平滑性
使用小spread时，RBF神经网络的效果
如下图所示，我们使用一个较小的spread来拟合样本数据点，效果如下：
可看到，在spread较小的时候，RBF神经网络拟合出来的曲线在数据点的过渡上会坍塌下去
这也就导致预测时没训练过的数据(即训练样本点之间的数据)会极为不准确
增大spread后，RBF神经网络效的果
要避免过拟合，就必须让模型坍塌下去的地方撑起来，
要达到这效果，只需要加大spread就可以了
如下图所示，在上述例子中，只需将spread增大为1，网络就比原网络的泛化能力要强很多
✍️补充说明： spread过大也可能会降低泛化能力
较大的spread可以增加曲线的平滑性，从而避免过拟合
但是，spread过大的时候会难以拟合网络的一些细节
从而失去本应拟合到的一些细节，导致RBF神经网络在泛化能力上受损
如果是这种情况，则需要减小spread，来加强RBF神经网络的细节拟合能力
老饼的经验
spread的设置不当往往正是RBF神经网络过拟合的主要原因
因此调整spread是减缓RBF神经网络过拟合的主要手段之一
由于spread过大或者过小都会造成过拟合,
所以在调整前，可以基于对径向基神经网络的认识和数据的范围，
先判断spread是过大还是过小，再适当调大或调小spread来减缓RBF神经网络的过拟合
好了，以上就是通过调整spread解决RBF神经网络过拟合的方法了~
End
