我的神经网络是否过度拟合或欠拟合？
Is my neural network suffering from overfitting or underfitting?
我正在尝试构建一个多 class 神经网络，以根据我创建的数据集尽可能准确地预测石头布或剪刀。
由于我弄乱了各种参数，训练集的 loss/accuracy 似乎差异很大。然而，经过大量的尝试和错误，这似乎是最好的模型版本。我查看了与我的相关的其他问题，我认为这些图表似乎很合适，但由于我是机器学习的新手，我想知道该模型是否存在我遇到的某些问题（超过 fitting/under 拟合）就是没看到。
我理解过拟合是指随着epoch的增加，accuracy上升而loss下降的情况，但我仍然不确定图表上是否有明显的东西超出了我的理解。
这就是我目前编译和拟合模型的方式。
model.compile(loss=['categorical_crossentropy'], optimizer=Adam(.01), metrics=['accuracy'])
history = model.fit(X_train,y_train, epochs=30, verbose=True, validation_split=.33, batch_size=3)
Model Accuracy
Model Loss
编辑：
该模型应根据先前确定的系数乘以 9 个特征来预测石头布或剪刀。
5 个特征是随机创建的系数，代表 5 大人格维度，范围为从 -2 到 2 的连续值。
另外四个是：
- 如果他们赢了或输了。
2, 3, 4) 如果他们获胜，则选择石头、布或剪刀：并将这三者中的每一个乘以一个系数，该系数作为他们获胜的偏见。
选择石头布或剪刀的概率有一个内置的激活，可以偏向于各自的选择。剪刀的偏差最大。
共有 999 次试验（排除第一个，因为它是随机的）并且 100 个试验值中的每一个，对于 Big 5 人格维度，都保持不变。只有代表 Won/Lost 和赢得选择石头、布或剪刀的列会逐次更改试验。
从损失和准确度曲线来看，您似乎已经非常精确地将模型拟合到训练数据（过度拟合的迹象）。如果您担心过拟合问题，那么您可以采用一些正则化方法，如 L1/L2 regularizer（权重衰减）、Dropout、Batch Norm 等。它们将帮助模型很好地泛化到看不见的数据。此外，类似“early stopping”的方法也适用于这种场景。希望它能帮助您减轻过度拟合的问题。
我正在尝试构建一个多 class 神经网络，以根据我创建的数据集尽可能准确地预测石头布或剪刀。
由于我弄乱了各种参数，训练集的 loss/accuracy 似乎差异很大。然而，经过大量的尝试和错误，这似乎是最好的模型版本。我查看了与我的相关的其他问题，我认为这些图表似乎很合适，但由于我是机器学习的新手，我想知道该模型是否存在我遇到的某些问题（超过 fitting/under 拟合）就是没看到。
我理解过拟合是指随着epoch的增加，accuracy上升而loss下降的情况，但我仍然不确定图表上是否有明显的东西超出了我的理解。
这就是我目前编译和拟合模型的方式。
model.compile(loss=['categorical_crossentropy'], optimizer=Adam(.01), metrics=['accuracy'])
history = model.fit(X_train,y_train, epochs=30, verbose=True, validation_split=.33, batch_size=3)
Model Accuracy
Model Loss
编辑：
该模型应根据先前确定的系数乘以 9 个特征来预测石头布或剪刀。 5 个特征是随机创建的系数，代表 5 大人格维度，范围为从 -2 到 2 的连续值。
另外四个是：
- 如果他们赢了或输了。
2, 3, 4) 如果他们获胜，则选择石头、布或剪刀：并将这三者中的每一个乘以一个系数，该系数作为他们获胜的偏见。
选择石头布或剪刀的概率有一个内置的激活，可以偏向于各自的选择。剪刀的偏差最大。
共有 999 次试验（排除第一个，因为它是随机的）并且 100 个试验值中的每一个，对于 Big 5 人格维度，都保持不变。只有代表 Won/Lost 和赢得选择石头、布或剪刀的列会逐次更改试验。
从损失和准确度曲线来看，您似乎已经非常精确地将模型拟合到训练数据（过度拟合的迹象）。如果您担心过拟合问题，那么您可以采用一些正则化方法，如 L1/L2 regularizer（权重衰减）、Dropout、Batch Norm 等。它们将帮助模型很好地泛化到看不见的数据。此外，类似“early stopping”的方法也适用于这种场景。希望它能帮助您减轻过度拟合的问题。