Machine learning 这是一个过度装配的例子吗？

在大约100个时代之后培训深度学习模型：

Train accuracy : 93 %
Test accuracy : 54 %

然后，训练精度增加，测试精度降低：

Train accuracy : 94 %
Test accuracy : 53 %
Train accuracy : 95 %
Test accuracy : 52 %
Train accuracy : 96 %
Test accuracy : 51 % 

对于模型的初始版本，我们对54%的准确度感到满意，但我不知道训练准确度增加、测试准确度降低（模型除外）的含义是过度拟合。当达到最大测试精度时，我是否应该停止训练模型并使用训练过的参数，在这种情况下为54%

从训练精度增加和测试精度降低的观察中，我可以获得什么知识？这是一个更强的过度拟合的例子吗

---

是的，这绝对是太合适了。应在测试精度停止增加时终止培训程序。从你展示的数字来看，你的模型实际上是过度拟合了很多。应该考虑增加正则化以提高测试精度。 （我补充说）：正如@Djib2011所说，正规化是帮助防止过度装修的方法。您可以调查最常见的问题，例如L2或辍学

---

这个问题在评论中得到了回答，因为没有人写答案， 我把这个答案做成了一个社区wiki答案。这是为了将此问题从列表中删除 未答复的名单。 最初的答案是@Djib2011。鼓励OP选择此作为 回答以删除未回答的问题状态。（如该人 在评论中回答的人决定回答OP可以，也应该， 选择该答案）

---

是的，这绝对是太合适了。应在测试精度停止增加时终止培训程序。从你展示的数字来看，你的模型实际上是过度拟合了很多。应该考虑增加正则化以提高测试精度。 （我补充说）：正如@Djib2011所说，正规化是帮助防止过度装修的方法。您可以调查最常见的问题，例如L2或辍学

---

这个问题在评论中得到了回答，因为没有人写答案， 我把这个答案做成了一个社区wiki答案。这是为了将此问题从列表中删除 未答复的名单。 最初的答案是@Djib2011。鼓励OP选择此作为 回答以删除未回答的问题状态。（如该人 在评论中回答的人决定回答OP可以，也应该，

---

选择那个答案。）

是的，确实是太过合适了，当我第一次在SAS中开始建立逻辑回归时，我们曾经有一个经验法则，即拥有一个相互之间的训练和测试性能不超过10%的模型

另一种方法是使用k折叠，并在所有折叠中获得平衡的性能

---

总的来说，这意味着模型是稳定的，我们将其与实际数据趋势进行拟合，而不是与噪声进行拟合

是的，绝对是过度拟合，当我第一次开始在SAS中建立逻辑回归时，我们曾经有一个经验法则，那就是拥有一个相互之间的训练和测试性能不超过10%的模型

另一种方法是使用k折叠，并在所有折叠中获得平衡的性能

---

总的来说，这意味着模型是稳定的，我们将其与实际数据趋势进行拟合，而不是与噪声进行拟合

是的，这绝对是太合适了。应在测试精度停止增加时终止培训程序。从你展示的数字来看，你的模型实际上是过度拟合了很多。你应该考虑增加正则化以提高测试精度。我所使用的另一个“度量”是，如果训练精度和测试精度之间的差距越来越大，那么它是过度拟合的。是的，这肯定是过度拟合的。应在测试精度停止增加时终止培训程序。从你展示的数字来看，你的模型实际上是过度拟合了很多。你应该考虑增加正则化以提高测试精度。我使用的另一个“测量”是，如果训练精度和测试精度之间的差距越来越大，它就会过度拟合。