过拟合诊断 使用指南

对比训练与验证损失曲线，判断过拟合或欠拟合程度并给出正则化建议，适用于模型训练调优、早停策略制定与泛化评估。

计算公式与原理

损失差距 = 验证损失 − 训练损失；准确率差距 = 训练准确率 − 验证准确率；风险判据：损失差 > 0.3 或准确率差 > 10%

训练指标持续优于验证指标就是过拟合信号，差距越大越强。阈值 0.3 / 10% 是常用经验线，但不同任务量纲差异很大，更可靠的是看验证损失是否开始回升（应触发早停）。

使用步骤

1. 填写「训练损失」。
2. 填写「验证损失」。
3. 填写「训练准确率 %」。
4. 填写「验证准确率 %」。
5. 结果区会即时更新；可一键复制结果用于记录或汇报。

典型使用场景

• 对比训练与验证损失：训练降而验证升→过拟合；两者都高→欠拟合。
• 过拟合时加大 dropout、权重衰减或数据增强；欠拟合时加深加宽或减小正则。
• 早停在验证损失连续上升前保存最优权重，是性价比最高的正则手段。

算例参考

• 损失曲线判读：训练 loss 从 0.9 降到 0.1，验证 loss 从 0.9 降到 0.5 后回升到 0.7 → 第 5 轮附近开始过拟合，应在验证最低点(0.5)早停并回退权重。

注意事项

结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。

训练和验证都很高怎么办？

这是欠拟合，模型容量或训练不足。可增大网络、延长训练、降低正则强度，或检查特征与标签质量。

验证集必须和训练集同分布吗？

应尽量同分布以反映真实泛化；若验证集分布偏移，验证损失只能衡量对该子集的拟合，不能代表线上表现。