在培训期间评估培训/测试结果时，请说出这些值：
Train: 50.5% - Test: 50.2%
Train: 55.5% - Test: 53.2%
Train: 62.5% - Test: 58.2%
Train: 69.5% - Test: 62.2%
Train: 75.5% - Test: 59.2% <--- stop training, overfitting seems to be happening.
当这种情况发生时，你能否停止训练模型，还是作弊？即，当测试精度降低时，停止训练模型。我知道你应该只在训练期间评估训练集，这就是我想知道的原因。
答案 0 :(得分：4)
这是作弊。以这种方式训练的模型对“它在现实生活中”的表现没有任何合理的保证
你应该做的是有一个单独的机制来检测学习何时完成（似乎你的训练是迭代的），可能要么分析模型本身，要么使用一些单独的（通常称为验证）保持 - 出部分数据集。
简而言之：除了报告最终价值之外，您无法将测试数据用于<strong>任何，您无法根据做出任何决定。
答案 1 :(得分：3)
这取决于你在做什么。
如果你使用测试精度来拟合超参数，那么是的，你是在作弊。测试数据是＆＃34;泄漏＆＃34;间接进入你的训练数据并且你过度拟合。
因此，建议有3个数据集：Train，Test和 Validation 数据。
锁定测试数据，在您调整模型（训练）之前不要触摸它。
尽可能多地使用验证数据来查找最佳超参数等。
完成后，解锁测试数据以报告模型的准确性（并强调，不要使用此反馈来调整模型）。
如果您对测试数据的准确性不满意，请考虑重新考虑您的模型。如果您对测试数据结果不满意，那么一旦模型投入生产，您将不会感到高兴。
如果您没有足够的数据来创建三个分区，请考虑执行k-fold cross validation。
答案 2 :(得分：0)
嗯，你可以这样做（假设你还有第三组数据，有时称为“验证”集）。它被称为提前停止。我不认为这样做有什么好处;是否提前停止取决于训练和验证集的最佳参数的相对位置。如果我没记错的话，大概有一半的时间会提前停止，有一半的时间则不会。