样本量大于多少才比较好__rbf神经网络的训练样本要多大

一、简历量应该要达到人员需求量的百分之多少比较合理？

看职位不同不一样的 比如财务 行政文员之类 简历比可以达到20比1   高端的3，5比1关键是看是否招到合适企业的人员 而不是一个具体量化的数字

二、

三、在某次调查问卷中，600人抽多少个人来访问比较科学

看你的研究方法重点是量化还是质性根据研究主题和问卷结果划定你想访问的群体，其中有些人会拒绝接受访问啊你还要确定访谈得到的资料打算用什么分析方法

四、在NOS量表中，大于多少分才是好的

支持一下感觉挺不错的

五、34万人抽样样本占比多少合适

搜一下：34万人抽样样本占比多少合适

六、rbf神经网络的训练样本要多大

因课题而异。
1、样本最关键在于正确性和准确性。
你所选择的样本首先要能正确反映该系统过程的内在规律。
我们从生产现场采得的样本数据中有不少可能是坏样本，例如由于测量仪器故障导致测量数据误差较大等，这样的样本会干扰你的神经网络训练。
通常我们认为坏样本只是个别现象，所以我们希望通过尽可能大的样本规模来抵抗坏样本造成的负面影响。
2、其次是样本数据分布的均衡性。
你所选择的样本最好能涉及到该系统过程可能发生的各种情况。
例如某化工生产中某反应炉的温度主要分布在350度—400度，且出现在380度的情况较多，那么你的样本数据最好也是在350-400度各种情况都有，并且也是在380度左右的样本较多些，这样可以极大可能的照顾到系统在各个情况下的规律特征。
通常我们对系统的内在规律不是很了解，所以我们希望通过尽可能大的样本规模来“地毯式”覆盖对象系统的方方面面。
3、再次就是样本数据的规模，也就是你要问的问题。
在确保样本数据质量和分布均衡的情况下，样本数据的规模决定你神经网络训练结果的精度。
样本数据量越大，精度越高。
还用刚才的例子，假如反应炉的温度主要均匀分布在375-385度之间，那么你用100个均衡分布在375-385度的训练样本去训练，经过无限次或者说是足够多次迭代之后，理论上你的神经网络的精度就是0.1度。
如果你觉得0.1度足够细腻了，那么样本规模为100也就可以接受了。
由于样本规模直接影响计算机的运算时间，所以在精度符合要求的情况下，我们不需要过多的样本数据，否则我们要等待很久的训练时间。
 补充说明一下，不论是径向基（rbf）神经网络还是经典的bp神经网络，都只是具体的训练方法，对于足够多次的迭代，训练结果的准确度是趋于一致的，方法只影响计算的收敛速度（运算时间），和样本规模没有直接关系。

七、请问：如果样本总体人数2807人，置信度5%，置信区间95%的话，样本量多少合适？ 谢谢~

按照2800人的5%计算为140人的置信度，140人比2660人，看你自己想怎么取了。

八、用支持向量机进行预测样本量最少为多少合适

一般训练集：测试集=3：2

九、问卷题目有60个左右，请问样本量大概应该为多少？

一般，1000吧，有时看情况

参考文档