问理解培训和测试损失图

EN

假设比较曲线中的训练集和验证集是相同的，那么最好的曲线可能是验证损失最小的曲线。

把你的数字从左到右，从上到下，我会说最好的数字是#5 (第二行，第二列)。

现在，让我们详细分析一下每一个情节中发生的事情：

1. 很高的数值，似乎是随机的，无论是在训练还是验证损失方面都没有任何减少:模型没有学习；模型或优化过程可能有问题，或者某些超参数值是非常错误的。
2. 培训和验证损失的下降值，验证损失与培训损失之间存在差距，并且两者都稳定下来(也就是说，它们可能都不会降低-if，给它们留出更多的培训时间-)：培训似乎还可以，但如果您将模型正规化，从而使您的培训曲线更高，验证曲线更低，则仍有改进的余地。
3. 最初，两条曲线都会下降，然后验证开始上升，大约在步骤800:过度拟合。您应该尝试对模型进行正则化，如果这并不有效，则使用早期停止来使用对验证数据性能最好的模型。您也可以尝试一些超参数调优，或有一个学习速率的时间表，使其更小的时间。
4. 这两条曲线都在下降，似乎他们会继续这样做一段时间:训练还没有结束，给它留下更多的训练时间。
5. 这两个曲线下降，尽管最初的平台，并达到一个低点，没有差距之间的训练和验证曲线:您可能可以改善模型的权重初始化。无论如何，这个图似乎是最好的，因为验证曲线达到最低值，并且没有过度拟合。
6. 这两条曲线都在上升:可能在如何定义损失函数优化过程中出现了一些问题。

我看不出你的阴谋中有任何明显的不合适之处。在不合适的情况下，我们可以看到模型学到了一些东西，但是训练和验证损失都稳定在过高的值。这将意味着缺乏模型的能力，使其无法恰当地捕捉标签方面的数据分布。

最优图是列车损失图和列车损失图相互叠加的最优图。在这种情况下，您可以确定它们并不过分适合，因为模型的性能与它在培训集上的表现一样好。因此，损失曲线位于彼此之上。但它们很可能不适合。

理解超适和不合身的一个简单方法是：

1)如果你的火车误差减少了，而你的履带误差增加了，那你就是过火了。

2)如果列车和cv的误差都增加了，你就不合适了。

在你贴出的图的顺时针方向上，第一个(左上方)图像被理解为一个不过分适合的模型，因为这些图形是坐在一起的，但是由于这个图形在某个特定的区域已经“放大”了，所以我们看到了一个紧张的图像，因此我们无法得出一个明确的结论。第二张图看上去很好，因为差距正在缩小，而第三幅图像开始变得过火，因为图形之间的差距开始扩大。下一个图(最右下)有一个不断增加的损失，这是不好的，当列车和cv损失增加，我们可以说，模型是不合适的。下一个开局缓慢的图表似乎已经很好地收敛了。最后一张图，我会说收敛速度很慢，或者有收敛的问题，我们需要查看模型和数据。