为什呢matlab建立BP神经网络正确率很低？

上图：
1.蓝色部分表示一类数据，红色部分表示二类数据
2.数据都只有一个特征向量为y轴的值
3.x轴为数据在训练集中的下标

问题：

本来应该是很简单的，利用一个特征向量（y轴的值）作为分类依据，将红色数据和蓝色数据分开。

然而，利用matlab建立BP神经网络，训练结果有时候非常好，测试正确率能达到98以上，有时候正确率只有20~30。

%训练样本

train_sample=[trainECG']; %21*25

%测试样本

test_sample=[testECG'];

%输出类别，建立HotCode

t1=[trainLabel'];

t2=[testLabel'];

train_result = ind2vec(t1);

test_result = ind2vec(t2);





net = newff(train_sample,train_result,4,{ 'tansig' 'purelin' } ,'traingdx');

net.trainParam.show=50; % 显示训练迭代过程

net.trainParam.epochs=15000; % 最大训练磁数

net.trainParam.goal=0.001; % 要求训练精度

net.trainParam.lr=0.02; % 学习率

net=init(net); %网络初始化

[net,tr]=train(net,train_sample,train_result); % 网络训练



result_sim=sim(net,test_sample); % 利用得到的神经网络仿真

result_sim_ind=vec2ind(result_sim);



correct=0;

for i=1:length(result_sim_ind)

if result_sim_ind(i)==t2(i);

correct=correct+1;

end

end



disp('正确率：');

correct / length(result_sim_ind)

没用过matlab，所以不敢说代码部分，只写过python的，根据你说的现象提两个可能的原因。
你的计算结果归根结底是模型训练结果不稳定，原因可能在样本数据本身：
①数据量太少，导致单个数据的不稳定对结果的影响大，如果你每次训练的训练集、测试集都重新随机划分就更突出了，如果你有一个数据，结果是有较大误差的，那么一旦这个样本放在了测试集，而测试集的样本很少，那么就很容易出现，这一次的测试集准确率特别低的情况。→→→解决方法：可以试着排除异常点，怎么排除可以查。
②数据不均衡，比如你的样本中有两类数据，第一类有100个，第二类就5个，那么很有可能你怎么学，第二类的特征也学不进去，如果某一次划分，测试集中第二类比较多，甚至5个你都分到测试集去了，那么当然这一次准确率就很低了