当改变神经元数量时，精度较低的神经网络分类器没有改进

可能是因为神经元数量的增加并不一定会直接提高分类器的精度。神经网络的精度受到多个因素的影响，包括数据质量、模型架构、训练算法等。

增加神经元数量可能会增加模型的容量，使其能够更好地拟合训练数据，但过多的神经元数量也可能导致过拟合问题，使模型在未见过的数据上表现较差。因此，仅仅增加神经元数量并不能保证提高分类器的精度。

要改进精度较低的神经网络分类器，可以考虑以下几个方面：

1. 数据预处理：对数据进行清洗、归一化、特征选择等预处理操作，以提高数据质量和模型的泛化能力。
2. 模型调参：调整模型的超参数，如学习率、正则化参数等，通过交叉验证等方法找到最优的参数组合。
3. 模型架构优化：尝试不同的网络结构，如增加隐藏层、调整神经元数量、改变激活函数等，以提高模型的表达能力。
4. 集成学习：尝试使用集成学习方法，如随机森林、Boosting等，将多个分类器的预测结果进行组合，以提高整体的分类精度。
5. 数据增强：通过数据增强技术，如旋转、平移、缩放等操作，生成更多的训练样本，以增加模型的泛化能力。
6. 迁移学习：利用已经训练好的模型，在新任务上进行微调，以加快模型的收敛速度和提高分类精度。

腾讯云相关产品和产品介绍链接地址：

• 数据预处理：腾讯云数据处理服务（https://cloud.tencent.com/product/dps）
• 模型调参：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
• 模型架构优化：腾讯云深度学习平台（https://cloud.tencent.com/product/tensorflow）
• 集成学习：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）
• 数据增强：腾讯云图像处理服务（https://cloud.tencent.com/product/tii）
• 迁移学习：腾讯云机器学习平台（https://cloud.tencent.com/product/tiia）

请注意，以上链接仅为示例，具体产品选择应根据实际需求进行评估和选择。