Machine learning Keras：验证误差是衡量停止标准或验证准确性的一个好方法？

我使用Keras解决多类分类问题。我使用

earlystoping（monitor='val_loss'，patience=4）

作为停止学习的标准，也就是说，如果验证损失在4个时期内没有减少，则停止训练。使用val_acc作为停止标准还是val_损失更好？因为我看到val_损耗在增加，但同时也看到val_acc。考虑到第8和第13纪元的后续输出

纪元1/200
240703/240703[================================================================================================-4831s-损耗：0.8581-附件：0.7603-损耗：0.6247-损耗：0.8160
纪元2/200
240703/240703[=============================================================================================-4855s-损耗：0.6099-附件：0.8166-val_损耗：0.5742-val_附件：0.8300
纪元3/200
240703/240703[=========================================================================================================-4627s-损耗：0.5573-附件：0.8308-损耗：0.5600-附件：0.8337
纪元4/200
240703/240703[==========================================================================================-4624s-损耗：0.5265-附件：0.8395-损耗：0.5550-损耗：0.8347
纪元5/200
240703/240703[======================================================================================================-4623s-损耗：0.5042-附件：0.8452-损耗：0.5529-损耗：0.8377
纪元6/200
240703/240703[==========================================================================================-4624s-损耗：0.4879-附件：0.8507-损耗：0.5521-损耗：0.8378
纪元7/200
240703/240703[===================================================================================================-4625s-损耗：0.4726-附件：0.8555-损耗：0.5554-损耗：0.8383
纪元8/200
240703/240703[================================================================================================-4621s-损耗：0.4604-附件：0.8585-损耗：0.5513-损耗：0.8383
纪元9/200
240703/240703[===================================================================================================-4716s-损耗：0.4508-附件：0.8606-val\u损耗：0.5649-val\u附件：0.8366
纪元10/200
240703/240703[========================================================================================================================================================================================================================================================================================================================损失：0.440 0.4409-附件：0
纪元11/200
240703/240703[================================================================================================-4651s-损失：0.4318-会计科目：0.8662-会计科目：0.5710-会计科目：0.8387
纪元12/200
240703/240703[======================================================================================================-4706s-损耗：0.4239-附件：0.8687-val\u损耗：0.5737-val\u附件：0.8384
纪元13/200
240703/240703[======================================================================================================-4706s-损耗：0.4190-损耗：0.8698-损耗：0.5730-损耗：0.8391

一般来说，损耗比准确度更好，因为它具有更高的精度。精度具有与验证集中的样本数量相同的可能值。另一方面，损耗具有连续性可能值，因此您可以更精确地跟踪正在发生的情况。另一方面，准确度更容易分析，因为它是可解释的（它只是一个百分比），因此如果没有基于领域的损失标准的专业知识，将更难使用，但可能更精确一些（如果使用正确）。

一般来说，损失比准确度更好，因为它具有更高的精度。精度具有与验证集中的样本数量相同的可能值。另一方面，损耗具有连续性可能值，因此您可以更精确地跟踪正在发生的情况。另一方面，准确度更容易分析，因为它是可解释的（它只是一个百分比），因此如果没有现场损失标准方面的专业知识，将更难使用，但可能更精确一些（如果使用正确）。

如果一个高原，另一个高原也将开始稳定。不管怎样，你都应该停止，因为网络已经开始过度运转，如果一个停滞，那么另一个也会开始停滞。无论如何你都应该停止，因为网络已经开始过度适应了