时间戳

首页 > 解决方案 > 我想在这里做什么？train acc: 100%, test acc: 80% 这是否意味着过拟合？

python - 我想在这里做什么？train acc: 100%, test acc: 80% 这是否意味着过拟合？

问题描述

classifier.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
classifier.fit(X_train, y_train, epochs=50, batch_size=100)

Epoch 1/50
27455/27455 [==============================] - 3s 101us/step - loss: 2.9622 - acc: 0.5374

我知道我在第一行编译我的模型并在第二行进行拟合。我知道什么是优化器。我对编译模型时的含义metrics=['accuracy']和确切含义感兴趣。acc: XXX另外，acc : 1.000当我训练我的模型（100%）时，我得到了，但是当我测试我的模型时，我得到了 80% 的准确率。我的模型是否过拟合？

标签： pythontensorflowmachine-learningkerasdeep-learning

解决方案

好的，让我们从顶部开始，

首先, metrics = ['accuracy'], 模型可以在多个参数上进行评估, 准确性是指标之一, 其他可以是binary_accuracy, categorical_accuracy, sparse_categorical_accuracy, top_k_categorical_accuracy, 和sparse_top_k_categorical_accuracy, 这些只是内置的, 您甚至可以创建自定义指标, 以更详细地了解指标, 你需要对loss神经网络有一个清晰的了解，您可能知道损失函数必须是可微的才能进行反向传播，这在 的情况下不是必需的metrics，指标纯粹用于模型评估，因此甚至可以是不可微分的函数，在 Keras 中，甚至在他们的文档中也提到过

度量函数类似于损失函数，只是在训练模型时不使用评估度量的结果。您可以将任何损失函数用作度量函数。

您可以自行自定义定义不可微分的准确度，但可以根据您对模型的需求创建目标函数。

TLDR；指标只是不用于反向传播但用于模型评估的损失函数。

现在， acc:xxx可能只是它甚至还没有完成一个小批量传播，因此还不能给出准确度分数，我没有太注意它，但它通常会在那里停留几秒钟，因此是一种推测。

最后，模型性能在退出训练时降低 20%，是的，这可能是过度拟合的一种情况，但没有人可以在不查看您的数据集的情况下确定，但很可能是的，它是过度拟合的，您可能需要查看知道原因的数据表现不佳。

如果有什么不清楚，没有意义，请随时发表评论。

推荐阅读