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。

🔍 Overfitting Diagnosis

Compare training and validation loss curves to tell overfitting from underfitting, and get targeted regularization and early-stopping advice.

📐 计算公式 / 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）。

训练损失

验证损失

训练准确率 %

验证准确率 %

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。