9、深度学习模型评估与交叉验证技术详解

深度学习模型评估与交叉验证技术详解

1. 模型评估与过拟合、欠拟合问题

在深度学习中，评估模型在训练集和测试集上的表现，并比较它们的错误率，能为判断当前模型是否适合给定数据集提供有价值的信息。当模型与数据集不匹配时，还能据此判断是过拟合还是欠拟合，进而调整模型。
- 过拟合与欠拟合的判断及调整 ：
- 若模型欠拟合，可增大网络规模。
- 若模型过拟合，可缩小网络规模或增加训练数据。
- 早停策略 ：有时模型的灵活性对数据集是合适的，但仍会出现过拟合或欠拟合，这可能是训练迭代次数过多或过少导致的。使用梯度下降等迭代优化器时，优化器会在每次迭代中尝试更好地拟合训练数据。若在学习到数据模式后仍继续更新参数，模型会开始拟合单个数据示例。通过观察每次迭代中的训练和测试错误率，可确定网络何时开始过拟合训练数据，并在这之前停止训练。

1.1 使用Keras记录训练和测试损失

在Keras中训练模型时，可轻松记录每个epoch的训练损失和测试损失。具体操作如下：

history = model.fit(X_train, y_train, validation_data=(X_test, y_test))

之后，可绘制 history 中存储的值，以确定模型训练的合适迭代次数：

import matplotlib.pyplot as plt 
impo