我目前正在研究一个高度不平衡的多类分类问题。我想保存我的模型权重以获得最佳时期，但我对应该选择哪个指标感到困惑？
这是我的训练进度条：
我使用ModelCheckpoint回调tf.keras和监控val_loss作为保存最佳模型权重的指标。
正如你在图片中看到的，
val_acc = 0.9845butval_loss = 0.629和准确率和召回率也很高。val_acc = 0.9840但是val_loss = 0.590 我知道差异并不大，但在这种情况下，相信不平衡数据集的理想指标是什么？
最重要的因素是验证和训练误差。如果验证损失（错误）会增加，则意味着过度拟合。您必须将 epoch 的数量设置得尽可能高，并避免过度拟合并根据错误率终止训练。. 只要它不断下降，训练就应该继续。直到模型在第 n 个时期开始收敛。实际上，它应该很好地收敛到低val_loss。
请记住，一个时期是一个学习周期，学习者可以在其中看到整个训练数据集。如果你有两个批次，学习者需要在一个时期内经历两次迭代。
此链接可能会有所帮助。
您可以将数据分为 3 个数据集，即训练、验证和评估。沿着足够数量的 epoch 训练每个网络，以跟踪训练均方误差，使其保持在最低限度。
训练过程使用训练数据集，应该逐个epoch执行，然后为验证集计算每个epoch中网络的均方误差。为评估过程选择具有最小验证 MSE 的 epoch 网络。
这可能有几个原因。假设您已使用正确的训练、测试和验证集分离以及数据集的预处理（如 min-max 缩放器）、调整缺失值，您可以执行以下操作。
首先将模型运行几个 epoch 并绘制验证损失图。
如果损失首先减少，达到某个点后现在增加，如果图形是 U 形，那么你可以提前停止。
在其他情况下，当损失稳步增加时，提前停止将不起作用。在这种情况下，在主要层之间添加 0.2-0.3 的 dropout 层。这将在层中引入随机性，并阻止模型记忆。
现在，一旦你添加了 dropout，你的模型可能会突然开始表现得很奇怪。调整激活函数和输出节点或密集层的数量，它最终会变得正确。