Про задачу с телевизорами - сформулирована неверно и конечно же решения не имеет. Если же вам просто нужно определить марку по параметрам то эта задача так же не имеет решения, потому что количество марок значительно превышает количество комбинаций всех параметров и к примеру очень много совершенно одинаковых телевизоров по параметрам являются разными марками.
--------------
Без относительно к задаче не думаю что вы сможете найти четкое определение. Нужно фиксироваться на задаче и исследовать.
Количество скрытых нейронов влияет на сложность/стоимость обучения (экспонента)
Количество слоев - на то, на сколько сложную 'задачу сможет решать сеть', в обывательском смысле это где то так, каждый слой - это выявление признаков, первый - по самим данным, второй по их результату и т.п., на самом деле все сложнее и не так однозначно.
Количество нейронов в слое определяет как много вариантов/классов на соответствующем уровне сможет обрабатывать сеть... например у вас признаков десять а вы дали пять нейронов в слое, скорее всего такая сеть не сумеет сойтись либо найдет зависимость через другие признаки, количество которых влезет в эти пять. Если нейронов в слое будет больше чем надо, сеть может сильно дольше сходиться а еще она с большей вероятностью будет переобучаться, т.е. вместо выявления принципов тупо заучит обучающую выборку.
Очень сильно влияет на способность обучаться выбор алгоритма обучения, а те в свою очередь зависят оттого какую именно сеть построите. Еще сильно результат зависит от того, как именно построите обучающую выборку, как будете нормализовывать входные и выходные значения (сеть может работать не только как классификатор).
99% работы разработки нейронных сетей - это работа с данными и приведение их к виду, удобному для нейронной сети. Чем 'лучше' эта работа будет сделана тем меньше ресурсов (времени и денег) будет потрачено на обучение.
wiki
Подобная интерпретация носит скорее метафорический или иллюстративный характер. Фактически «признаки», вырабатываемые сложной сетью, малопонятны и трудны для интерпретации настолько, что в практических системах не особенно рекомендуется пытаться понять содержания этих признаков или пытаться их «подправить», вместо этого рекомендуется усовершенствовать саму структуру и архитектуру сети, чтобы получить лучшие результаты. Так, игнорирование системой каких-то существенных явлений может говорить о том, что либо не хватает данных для обучения, либо структура сети обладает недостатками, и система не может выработать эффективных признаков для данных явлений.
Недостатки
Слишком много варьируемых параметров сети; непонятно, для какой задачи и вычислительной мощности какие нужны настройки. Так, к варьируемым параметрам можно отнести: количество слоёв, размерность ядра свёртки для каждого из слоёв, количество ядер для каждого из слоёв, шаг сдвига ядра при обработке слоя, необходимость слоёв субдискретизации, степень уменьшения ими размерности, функция по уменьшению размерности (выбор максимума, среднего и т. п.), передаточная функция нейронов, наличие и параметры выходной полносвязной нейросети на выходе свёрточной. Все эти параметры существенно влияют на результат, но выбираются исследователями эмпирически. Существует несколько выверенных и прекрасно работающих конфигураций сетей, но не хватает рекомендаций, по которым нужно строить сеть для новой задачи.
