在大约100个时期后训练深度学习模型：
Train accuracy : 93 %
Test accuracy : 54 %
然后训练精度增加而测试准确性降低：
Train accuracy : 94 %
Test accuracy : 53 %
Train accuracy : 95 %
Test accuracy : 52 %
Train accuracy : 96 %
Test accuracy : 51 %
对于模型的初始版本，我们对54％的精度感到满意，但是我不知道训练精度提高，测试精度降低的含义是什么，而不是模型过度拟合的含义。当达到最大测试精度（在这种情况下为54％）时，我应该停止训练模型并使用经过训练的参数吗？
通过观察训练准确性的提高和测试准确性的降低，我可以获得哪些知识？这是更强的过度拟合的例子吗？
答案 0 :(得分：2)
是的，这绝对是过拟合的。您应该在测试准确性停止增加的点终止培训过程。根据显示的数字，您的模型实际上过拟合了很多。您应该考虑添加正则化以可能提高测试准确性。
（我正在添加）：正则化就像@ Djib2011所说的那样，可以帮助防止过度拟合。您可以调查例如L2或Dropout是最常见的。
在评论中回答了该问题，由于没有人写出答案， 我将此答案设为社区Wiki 答案。这是为了从 未答复的清单。 最初的答案是@ Djib2011。鼓励OP选择此作为 回答以删除未回答的问题状态。 （如果该人 在评论中回答的人决定做出回答，OP可以并且应该 请选择该答案）。
答案 1 :(得分：0)
是的，绝对是过拟合的，当我第一次开始在SAS中建立逻辑回归时，我们曾经有一个经验法则，即模型的训练和测试性能相差不超过10％。
另一种方法是使用k折并在所有折中获得平衡的性能。
总体而言，这表明该模型是稳定的，我们将其拟合为实际数据趋势，而不是将其拟合为噪声。