matlab仿真过程中，对数据进行预处理以后，对比发现大部分数据都被改变了，但是改变的越多，预测效果越好，像这样改变大部分数据去得到好的预测效果，可靠吗？
可以为了追求预测效果不顾及数据量的大幅改变吗？
还是说应该在不改变太多数据的情况下，去追求更好的预测效果？
在数据清洗过程中，大幅改变数据可能会导致过拟合的问题，使得模型在训练集上表现良好但在测试集上表现不佳。因此，应该尽可能在不改变太多数据的情况下追求更好的预测效果。如果改变数据可以带来显著的预测效果提升，可以考虑采用一些正则化方法（如L1正则化、L2正则化等）来平衡模型的复杂度和预测准确性。同时，可以使用交叉验证等方法来评估模型的预测效果，以克服过拟合的问题。
以下是一个简单的神经网络的代码示例：
% 加载数据
data = load('data.mat');
X = data.X;
y = data.y;
% 数据清洗
% ...
% 划分训练集和测试集
[trainInd, valInd, testInd] = divideblock(length(y), 0.6, 0.2, 0.2);
X_train = X(:, trainInd);
y_train = y(trainInd);
X_val = X(:, valInd);
y_val = y(valInd);
X_test = X(:, testInd);
y_test = y(testInd);
% 构建神经网络
net = fitnet([10, 5]); % 两个隐藏层，第一个层10个神经元，第二个层5个神经元
net.trainFcn = 'trainscg'; % 使用SCG算法进行训练
net.divideFcn = 'divideind'; % 使用自定义训练集、验证集和测试集
net.divideParam.trainInd = trainInd;
net.divideParam.valInd = valInd;
net.divideParam.testInd = testInd;
net.performFcn = 'mse'; % 评价指标为均方误差
% 训练神经网络
[net, tr] = train(net, X_train, y_train);
% 在测试集上评估预测效果
y_pred = net(X_test);
mse = mean((y_test - y_pred).^2);
在上述代码中，我们使用了自定义训练集、验证集和测试集的方法来评估模型的预测效果。如果数据清洗过程中大幅改变了数据，可能需要重新划分训练集、验证集和测试集，以免模型在测试集上表现不佳。