我正在使用Keras和Python来训练MLP顺序模型，用于两类的分类 . 我的训练数据有247个特征，我有17个1级样本，922个2级样本 . 我使用Smote边界过采样算法来 balancer 数据集 . 我使用k = 4的交叉验证来验证精度和召回的性能 . 对于每次折叠的训练，我将损失曲线绘制在训练和验证上，以估计模型是否不足或过度拟合 .
我训练了一个有3个隐藏层的模型，精度达到95％，召回达到71％ . 每个折叠的损失函数图不会被stackoverflow用来发布图像） . But the evaluation of this model is worse, than with a model whose training precision and recall is worse.
Is this overfitting? And how can I detect it before evaluation?
提前致谢！
1 回答
您无法仅根据学习曲线检测过度拟合 . 过度拟合的定义是当您的模型在训练集上表现非常好，而在您的评估集上表现不佳时，这正是您所报告的 . 在这种情况下，我怀疑主要问题是不 balancer 的数据集 . 您可以在每个集合（训练，验证折叠和测试集）中验证两个类的传播，并查看模型在少数类上的表现 .