过拟合最直观表现是训练损失持续下降而验证损失在某epoch后稳定回升；此时模型死记训练样本、泛化能力丧失，需通过val_loss走势、准确率差距、学习曲线等多维度综合判断。
看训练损失和验证损失的走势是否发散
过拟合最直观的表现就是训练损失持续下降，但验证损失在某个 epoch 后开始回升——不是偶尔抖动，而是稳定上扬。这时候模型已经在死记训练样本，失去泛化能力。
实操建议：
- 训练时务必启用
validation_split或validation_data，不能只看loss；val_loss才是关键指标 - 用
plt.plot(history.history['loss'])和plt.plot(history.history['val_loss'])画两条线，交叉点之后val_loss持续高于loss就要警惕 - 别依赖单次运行：随机种子、batch shuffle 会影响验证曲线形态，建议跑 3 次取趋势共识
验证准确率远低于训练准确率且差距稳定扩大
准确率（尤其是分类任务）比损失更易读，但要注意：如果验证集太小或类别不均衡，val_accuracy 可能波动大，此时得结合 val_f1_score 或混淆矩阵看
常见错误现象：
- 训练准确率 99%，验证准确率卡在 72% 不再提升 → 很可能过拟合，不是欠拟合（欠拟合通常两者都低）
- 验证准确率在训练中期突然掉 5% 以上，之后不再恢复 → 检查是否
Dropout层没在训练模式下启用（比如手动设了model.eval()） - 使用
tf.keras时，自定义训练循环里忘了调用model.train()/model.eval()切换，BatchNormalization统计量会错乱，导致验证表现失真
早停（EarlyStopping）触发但模型还没收敛
EarlyStopping 是防过拟合的常用手段，但它本身也会暴露问题：如果它总在第 10–15 个 epoch 就停，而训练损失还在明显下降，说明模型容量过大或正则太弱
参数差异与调整方向：
-
patience=3太激进，容易误停；生产环境建议从patience=7起调，配合restore_best_weights=True -
monitor='val_loss'比'val_accuracy'更稳，尤其在类别不平衡时 - 如果早停频繁触发，且
val_loss下降缓慢但loss降得快 → 优先加L2正则（kernel_regularizer=regularizers.l2(1e-4)），而不是减学习率
用 learning_curve 判断数据量是否够用
过拟合有时不是模型问题，而是训练数据太少。用 sklearn.model_selection.learning_curve 能看出：当训练样本数增加时，验证得分是否还在上升
使用场景与陷阱：
- 如果曲线显示：训练集增大到 80% 后，验证得分几乎不变，但训练得分始终显著高于验证得分 → 过拟合主因是模型复杂度，不是缺数据
- 如果验证得分随训练样本增加持续爬升，且两条线间距缩小 → 真实瓶颈是数据量，该去扩增或采集，而不是加 Dropout
- 注意
cv=3默认用ShuffleSplit，若数据有时间序列结构，得传cv=TimeSeriesSplit()，否则泄漏未来信息，曲线会美化过拟合程度
真正难判断的是「轻微过拟合」：验证损失只比训练损失高 0.002，但上线后 A/B 测试效果差。这种时候，光看数字不够，得把验证集换成接近线上分布的 holdout set，再跑一次——分布偏移比过拟合更常被忽略
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
