我正在使用卷积神经网络并比较其他方法，例如HoG。
用这两种方法完成二进制分类后，我得到了这些数字：
HoG方法：
培训准确度：83％
测试准确度：62％
CNN方法：
培训准确度：100％
验证准确度：91％
测试准确度：85％
我的问题是，这些方法是否适合培训？
答案 0 :(得分：0)
这两种方法都显示过度拟合，实际上你无法完全避免。关键是将其降至最低。我对HoG不太熟悉，但对于CNN，有几种常见的方法可以最大限度地减少过度拟合，例如辍学，批量归一化，早期停止和交叉验证。当然还有好的数据，这意味着要训练的大量数据尽可能多样化。
在培训时期内可视化培训进度始终是一个好主意：培训和测试准确性紧挨着各自的损失函数。两者的损失在开始时会变小，但最终测试损失会增加。这是你应该停止训练的地步，因为所有进一步的努力只会带来更好的训练准确性。比喻说，CNN用心去学习训练样本。训练样本的100％准确率表明您的情况发生了这种情况。