问题标签 [overfitting-underfitting]

我的验证损失在前 50 个 epoch 以良好的速度下降，但在那之后的 10 个 epoch 验证损失停止下降。我正在使用 mobilenet 并冻结图层并添加我的自定义头部。我的自定义头如下：

我正在使用 alpha 0.25，学习率 0.001，衰减学习率 / 时期，nesterov 动量 0.8。我也在使用 earlystoping 回调，耐心等待 10 个 epoch。

我正在尝试训练一个模型来识别面部表情，所以基本上是一个有 7 个类的分类问题：

我正在使用 ImageDataGenerator 并且我用 VGG16 做了我的模型，没有像这样的头部迁移学习：

我使用了优化器和提前停止并运行了 100 个 epoch：

在 61 个 epoch 之后，我提前停止了，我得到了不错的准确度，但 val_accuracy 与之相比非常低：

关于如何解决这种过度拟合的任何建议？谢谢！

我的graph.csv：

结果产生：

它显然产生了错误的预测；对于每个 x，y 应该增加。

我错过了什么？我尝试改变学位，但并没有变得更好。例如，当我使用 4 级时，y 增加得非常非常快。

我使用Siamese Network训练自己的数据集。我使用Tensorboard将训练结果可视化。我是初学者，不太擅长判断是否过拟合。请帮忙看看，谢谢！图 1 和图 2 是火车。图 3 和图 4 是验证。

我正在使用卡尔曼平滑器根据 GPS 点估计一个人的路径。前段时间我已经有一个问题，这里回答得很好：kalman filter 2d with pykalman。但是现在我遇到了问题，卡尔曼滤波器严重过度拟合这些点。平均到测量点的平均距离变化为 0.00016 m。所以我的问题是，如何防止卡尔曼滤波器过度拟合？

我的代码：

我在这里还是很新，所以欢迎任何反馈，我可以如何改进我的问题。

我有这张图，我的验证损失没有收敛。我是对的，这是过度拟合的情况吗？ 图形 图片

我想在我的数据集 (RVL-CDIP) 上微调预训练的 VGG16 和 Inception-ResNetV2（通过 ImageNet 数据集）。仅供参考 - 我有过拟合（根据训练和验证集的 acc/loss 图计算出来）所以尝试了几乎所有策略的组合，包括数据增强、退出、l2 正则化和解冻某些层。此外，我绘制了所有情况下训练集和验证集的准确性和损失，但找不到任何规则来找出哪一个更适合真实数据。（我也有测试数据的结果，但没有帮助，有时即使我有严重 的过度拟合也很好！）问题是，我不知道如何解释结果以选择最佳的正则化策略！有什么帮助吗？

我已经看到应该在训练测试拆分之前还是之后进行特征选择？线程并阅读它。一个人在那里解释得很好。然而，这是必须的吗？我的意思是，如果我将整个数据集用于任何问题或数据，而不将其拆分用于特征选择过程。我总是过拟合吗？

例如，我已经为我的整个数据集尝试了 Boruta。它给了我 23 个功能。但是，我也仅使用我的训练集和测试集尝试了 Boruta。它按顺序产生了 15 个和 11 个特征。

如果我过度拟合，我怎么能理解呢？

我正在使用 Keras 训练一个网络来解决 python 上的分类问题，我使用的模型如下：

当我在我的训练数据上训练这个网络时，与训练损失相比，我得到了更高的验证损失，如下所示：

我很清楚我面临的问题是由于过度拟合造成的，但是当我在 Matlab 上使用相同的训练数据训练相同的网络时，训练损失和验证损失的值彼此接近。Matlab上Training Progress的图片链接为： Training Progress

如果有人能向我解释为什么我不能在 python 上得到相同的结果，我将不胜感激？你会建议什么来解决这个问题？

我正在训练在自定义数据集中使用 YOLOv4 进行人体检测。我使用这个命令来训练数据集：

在训练结束时，它给出了这个图表：

验证最多提供 97% 的准确率。但是当我观察测试数据时，它在视频录制中给出了大约 80% 的准确率。是否过拟合？我怎么解决这个问题？我认为图表中的准确性应该越来越高。