Tensorflow 列车和测试误差之间的间隙很小，这是否意味着过度装配？
我正在研究一个包含368609个样本和34个特征的数据集，我想使用一个神经网络来预测keras的潜伏期（真实值），该模型有3个隐藏层，每层有1024个神经元，我对每个隐藏层使用了drop_out（50%）和l2正则化（0.001）。问题是我得到的测试平均绝对误差为3.5505 ms，训练平均绝对误差为3.4528 ms。在这里，列车误差比测试误差小一个小间隙，这是否意味着我们这里有过拟合问题 如果你的训练集的精确度很高，而测试集的精确度很低，这通常意味着你的训练集的精确度过高。所以在你的情况下-不，你可能不是太合适了Tensorflow 列车和测试误差之间的间隙很小，这是否意味着过度装配？,tensorflow,machine-learning,Tensorflow,Machine Learning,我正在研究一个包含368609个样本和34个特征的数据集，我想使用一个神经网络来预测keras的潜伏期（真实值），该模型有3个隐藏层，每层有1024个神经元，我对每个隐藏层使用了drop_out（50%）和l2正则化（0.001）。问题是我得到的测试平均绝对误差为3.5505 ms，训练平均绝对误差为3.4528 ms。在这里，列车误差比测试误差小一个小间隙，这是否意味着我们这里有过拟合问题 如果你的训练集的精确度很高，而测试集的精确度很低，这通常意味着你的训练集的精确度过高。所以在你的情况下-
通常，您也会有一个验证集，因此您无法将数据放入测试集 如果你的训练集的精确度很高，而测试集的精确度很低，这通常意味着你的训练集的精确度过高。所以在你的情况下-不，你可能不是太合适了
通常，您也会有一个验证集，因此您无法将数据放入测试集 不太可能，但看看您的模型如何推广到新数据始终是一个好主意 将原始数据集的10%-20%作为测试集，并尝试预测测试集中每个记录的输出 有时，当我们在多次尝试改进模型时处理相同的验证集时，我们往往也会过度拟合评估数据集
拥有3个不同的数据集用于培训、评估和测试通常可以提供一个解决过度拟合问题的整体解决方案。不太可能，但了解模型如何推广到新数据始终是一个好主意 将原始数据集的10%-20%作为测试集，并尝试预测测试集中每个记录的输出 有时，当我们在多次尝试改进模型时处理相同的验证集时，我们往往也会过度拟合评估数据集 有3个不同的数据集用于培训、评估和测试，通常可以提供一个完整的过度拟合解决方案