泛化能力弱发表论文怎么办

在期刊上发表论文，如果没有一定的写作功底，没有一定的理论水平，在那个圈里没有一定的知名度，是很难的。我们大多数人都是通过枪手来发表论文的。一手交钱一手交货，介绍人赚个中介费。这样既省力又省心，论文什么时候用，提前跟人打招呼。指望写论文挣稿费，近乎空中楼阁了。但是如果靠自己写作在发表这个圈儿里有点儿知名度，那就不一样了。比如认识他们某个栏目的责任编辑，比如他们向你约稿。这样既可以增加你写稿的针对性，同时也增加审稿的通过率。并且还有稿费可拿，千字100左右的样子。1，为什么要在期刊发表论文？2，是否在某个领域做出一定的研究成果能够支撑起一篇科研论文？只有这两个问题搞清楚了才能回答题主所问的“如何在期刊上发表论文？”的问题。发表论文的目的通常为以下两种：以科研工作为职业的科技工作者研究成果的发表、研究生硕士或博士学位的要求（很多高校特别是985大学在硕博学位有硬性的要求，一般博士为2篇sci论文，某些学校还要求一定的sci分区）。是否有足够的研究成果足以支撑起一篇期刊论文，这是能否发表一篇期刊论文的基础。除了专业对口、类型合适，任何期刊都会要求成果创新、（在一定程度上）解决某一个科学问题，或在问题的最终解决上推进一步。否则，正规的期刊不会发表你所投稿的论文。最后，怎么才能在期刊上发表论文呢？在每个专业都有特定的一系列期刊，网上可以搜出sci期刊列表，在大类、子类中可以方便的查到自己所研究专业的所有sci期刊。结合sci影响因子、期刊偏好和自己研究成果的自我定位认知选出要投稿的期刊。登陆所选期刊主页下载期刊论文的格式模版，根据模版要求组织文字和图标。也可多下载该期刊的论文了解写作风格。完成论文写作后可使用该期刊主页提供的在线投稿系统（或者电子邮件投稿等方式）提交论文。此后会有科学编辑预审，根据具体研究方向找到同领域的一位或几位（不同期刊审稿人数不同）研究者作为审稿人对论文研究内容、写作等各方面进行评价。在规定时间内审稿人返回审稿意见。除了直接拒稿，一般只要按照审稿人意见进行修改论文最终都会被接收。被拒稿论文可以选择差一点的期刊再次投稿。在论文被接收后，会有期刊文字编辑提供文字方面的梳理，根据意见修改即可。完成这一步后就是等着论文被正式在线或印刷出版。关于论文发表：有些人认为要靠关系，没有关系发表不了论文，这种说法有点欠妥，有关系确实可以发表论文，那些论文一般是水平不怎么样的；更重要的还是要靠实力，毕竟有影响力的杂志还是要靠实力生存:只能在有实力的文章中插入关系文章与交换文章。在害人之心不可有、防人之心不可无的今天，如果写了比较好的论文核心期刊定量评价，采用了被索量、被摘量、被引量、他引量、被摘率、影响因子、被国内外重要检索工具收录、基金论文比、Web下载量等9个评价指标，选作评价指标统计源的数据库及文摘刊物达60余种，统计文献量达221177余万篇次（2006至2008年），涉及期刊14400余种。《中文核心期刊要目总览》每四年修订一次(2011年改为三年修订一次)即：第一版（1992年）、第二版（1996年）、第三版（2000年版）、第四版（2004年版）、第五版（2008年版）、第六版（2011年版）、第七版（2014年版，2015年从物理教师第九期获得）；二、“南大核心”：南京大学“中文社会科学引文索引（CSSCI）来源期刊”；三、中国科学技术信息研究所“中国科技论文统计源期刊”（又称“中国科技核心期刊”）；四、中国社会科学院文献信息中心“中国人文社会科学核心期刊”；五、中国科学院文献情报中心“中国科学引文数据库（CSCD）来源期刊”；六、中国人文社会科学学报学会

光有文字功底。但是学术知识不足。文章只能说的是外行话。当务之急是学好学术知识。努力学好学术知识。写好论文。没有别的捷径。只有努力学习，使自己的文章文字功底好。内容又非常专业，才能在期刊上发表。

首先你要知道为什么自己模型的泛化能力不足，一般来说有两个方面吧：1：在训练集上效果不错，然后在测试集上发现效果不好，这种很大的情况是过拟合问题，也就是说你的模型过多的去拟合训练集去了，利用一些正则化思想可以比较好的解决这些问题。2：在训练集上效果不行，在测试集上效果更差。这时候你要考虑的是你选择的机器学习算法到底有没有用，你选取的特征到底有没有用，换个算法，换个特征，也许才能提高。

泛化能力指，机器学习方法训练出来一个模型，对于已知的数据(训练集)性能表现良好，对于未知的数据(测试集)也应该表现良好的机器能力。

试集的误差，也被称为泛化误差。

在机器学习中，泛化能力的好坏，最直观表现出来的就是模型的过拟合(overfitting)与欠拟合(underfitting)。

过拟合和欠拟合是用于描述模型在训练过程中的两种状态，一般来说，训练会是这样的一个曲线。下面的training error，generalization error分别是训练集和测试集的误差。

扩展资料:

泛化能力的性质:

通常期望经训练样本训练的网络具有较强的泛化能力，也就是对新输入给出合理响应的能力。

应当指出并非训练的次数越多越能得到正确的输入输出映射关系。网络的性能主要用它的泛化能力来衡量。

参考资料来源:百度百科-泛化能力