不，这不是过度拟合。

首先，训练集和验证集之间的 AUC完全相同。损失可能有一个差距，但由于验证损失仍在下降（即使是缓慢下降），所以你没问题。

不，这不是过拟合的例子！如果有效损失开始增加而训练损失继续减少，那将是过度拟合。

编辑：第二个问题的答案 值得考虑如何计算 auc。我们有每个实例属于正类的概率。然后我们对这些概率进行排序。如果所有正例都出现在排序列表的第一部分，而所有负例都出现在第二部分，则 auc 为 1（根据 auc 观察，“完美表现”）。

现在让我们考虑损失计算。例如二元交叉熵。公式是$loss = -1/N * \sum{y_i * log(p(y_i)) + (1 - y_i)*log(1 - p(y_i))}$ 在哪里 $y_i$ - 真正的标签， $p(y_i)$ - 概率 $y_i$属于正类。我们可以预测每个负面观察的概率为 0.998，那么损失将是巨大的。但如果正面观察的预测概率为 0.999（高于负面观察），那么就 AUC 而言，我们将有完美的表现。

这就是为什么我猜，我们必须评估损失。

这个如何？在这种情况下，验证损失在增加，但 AUC 并没有遵循相同的模式，哪个相信损失或性能？