neural-network - 我应该使用损失或准确性作为提前停止指标吗？

我正在学习和尝试使用神经网络，并且希望就以下问题征询更有经验的人的意见:

当我在Keras中训练自动编码器(“mean_squared_error”损失函数和SGD优化器)时，验证损失逐渐减少。并且验证准确性正在提高。到现在为止还挺好。

但是，过了一会儿，损耗不断降低，但精度突然下降到低得多的低水平。

是“正常”或预期的行为，它的准确性上升得很快并保持很高而又突然回落了吗？

即使验证损失仍在减少，我仍应以最大的准确性停止训练吗？换句话说，使用val_acc或val_loss作为度量标准来监视是否提前停止？

查看图片:

损失:(绿色= val，蓝色=火车)


精度:(绿色= val，蓝色=火车)


更新:
以下评论为我指明了正确的方向，我想我现在对此有了更好的了解。如果有人可以确认以下内容是正确的，那就太好了:

精度度量标准度量y_pred == Y_true的百分比，因此仅对分类有意义。

我的数据是真实和二进制特征的组合。精度图上升非常陡峭然后回落，而损耗继续减少的原因是因为在纪元5000左右，网络可能正确地预测了二元特征的+/- 50％。当训练继续进行时，在时期12000左右，对真实特征和二进制特征的预测一起得到了改善，因此损失减少了，但是仅对二进制特征的预测就不太正确了。因此，精度下降，而损耗减小。

最佳答案

如果预测是实时的，或者数据是连续的而不是离散的，则使用MSE(均方误差)，因为这些值是实时的。
但是在离散值(即分类或聚类)的情况下，由于给出的值仅是0或1，因此使用准确性。因此，此处的MSE概念将不适用，而是使用精度=误差值/总值* 100。

关于neural-network - 我应该使用损失或准确性作为提前停止指标吗？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/37141636/