如果您正确隔离了测试集以使其不影响训练，则您应该只查看测试集的准确性。以下是我的一些评论：

• 让你的模型在火车上表现出色本身并不是一件坏事。相反，如果测试准确度相同，您希望选择具有更好训练准确度的模型。
• 你想看看测试的准确性。这是您最关心的问题。所以选择在测试集上提供最佳性能的模型。
  • 当您的训练准确度非常高（甚至 100%）时，不会出现过度拟合。这是当你的训练准确度很高而你的测试准确度很低的时候。
  • 您的训练准确度高于您的测试准确度并没有异常。毕竟，您的模型在训练集上具有优势，因为它已经给出了正确的答案。

归根结底，训练机器学习模型就像为考试而学习。您（模型）使用学习资源，如书籍、过去的考试、闪存卡等（训练集）在测试/考试（测试集）中表现良好。完全了解您的学习资源并不意味着您过度拟合。如果这就是你所知道的并且在考试中表现不佳，那么你会过度拟合。

模型的目的始终是最小化损失。不提高准确性。因此，使用任何优化器（如 adam 优化器（一种常见的优化器））的任何模型的参数都将尝试获得朝向损失最小的参数值的动量，即“最小偏差”。

在以下情况下，模型可能会过拟合：

• 数据很小
• 训练与测试比率不平衡
• 模型有不正确的门或神经元过于僵化。（神经元对最近的输入赋予高权重年龄并保持锁定而不考虑其他输入）。
• 在 DNN 中，当中间权重没有忘记/重置因子时。通常为 0.2

但在你的情况下，我们没有像 0.99< 这样的极端准确度。因此可以肯定地说您的模型表现良好并且没有过度拟合。好的模型不会过度拟合，在您的情况下，它们会严格收敛到任意值 0.924。