我应该使用损失或准确性作为早期停止指标吗？

Question

我正在学习和试验神经网络，并希望得到更有经验的人对以下问题的意见：

当我在Keras中训练一个Autoencoder（'mean_squared_error'损失函数和SGD优化器）时，验证损失逐渐减少。并且验证准确性正在提高。到目前为止一切都很好。

然而，过了一段时间，损失不断减少，但准确性突然回落到低得多的低水平。

• 这是'正常'还是预期的行为，准确度上升得非常快并保持高位以突然回落？
• 即使验证损失仍在减少，我是否应该以最大准确度停止训练？换句话说，使用val_acc或val_loss作为指标来监控提前停止？

见图片：

损失:(绿色= val，蓝色=火车]

准确度:(绿色= val，蓝色=火车]

更新： 下面的评论指出了我正确的方向，我想我现在更了解它。如果有人能确认以下是正确的，那就太好了：

• 精确度指标衡量y_pred == Y_true的百分比，因此只对分类有意义。

• 我的数据是真实和二元功能的组合。精度图上升非常陡然然后回落，而损失继续减少的原因是因为大约5000年左右，网络可能正确地预测了+/- 50％的二进制特征。当训练继续时，在12000年左右，实际和二元特征的预测一起得到改善，因此损失减少，但单独预测二元特征的确不太正确。因此，精度下降，而损失减少。

Answer 1

如果您在询问是否使用损失或准确性......那么这就是答案

如果预测是实时的或数据是连续的而不是离散的，那么使用MSE（均方误差），因为这些值是实时的。

但是在离散值的情况下（即）分类或聚类使用准确性，因为给出的值仅为0或1。所以，这里MSE的概念不适用，而是使用准确度=没有错误值/总值* 100.