我认为这个论点是正确的。如果 70% 在特定应用中是可以接受的，那么即使模型过拟合（更一般地说，不管它是否过拟合），它也是有用的。

在平衡过拟合和欠拟合关注最优性（寻找最佳解决方案）时，具有令人满意的性能是关于充分性（模型对任务的性能是否足够好？）。一个模型可以足够好而不是最优的。

编辑：在 OP 下的 Firebug 和 Matthew Drury 的评论之后，我将补充一点，以判断模型是否过度拟合而不知道验证性能可能有问题。Firebug 建议比较验证与测试性能来衡量过度拟合的数量。然而，当模型在训练集上提供 100% 的准确度而在测试集上提供 100% 的准确度时，它是可能过度拟合的指标（尤其是在回归的情况下，但不一定在分类中）。

在我过去的信用卡欺诈检测项目中，我们有意过度拟合数据/硬编码以记住欺诈案例。（注意，过拟合一类并不完全是 OP 谈到的一般过拟合问题。）这样的系统误报率相对较低，可以满足我们的需求。

所以，我想说，过度拟合模型在某些情况下可能很有用。

也许：小心。当您说 70% 的准确度（无论您如何测量）对您来说已经足够好时，感觉就像您在假设错误是随机分布或均匀分布的。

但观察过拟合的一种方法是，当模型技术允许（并且其训练过程鼓励）过度关注训练集中的怪癖时，就会发生这种情况。具有这些怪癖的普通人群中的受试者可能具有高度不平衡的结果。

所以也许你最终会得到一个模型，说所有的红狗都患有癌症——因为你的训练数据中有一个特殊的怪癖。或者，24 至 26 岁的已婚人士几乎肯定会提交欺诈性保险索赔。你 70% 的准确率给一些受试者留下了很大的空间，因为你的模型过拟合了，100% 错误。

（不过度拟合并不能保证你不会有错误的预测。事实上，欠拟合的模型会有大量错误的预测，但是通过过度拟合，你知道你正在放大训练数据中怪癖的影响.)

不，它们可能有用，但这取决于您的目的。有几件事浮现在脑海：

1. 成本敏感分类：如果您的评估函数超过 TPR 而低于 FPR，我们使用得分和。（如@hxd1011 对反欺诈的回答）$F_\beta$$\beta \gg 1$

2. 这样的分类器在ensemble中非常有用。我们可以有一个具有正常权重的分类器，一个超重 TPR，一个超重 FNR。然后，即使是简单的三规则投票或平均，也将提供比任何单个最佳分类器更好的 AUC。如果每个模型使用不同的超参数（或下采样的训练集或模型架构），则可以为整体购买一些过度拟合的免疫力。

3. 类似地，对于实时反垃圾邮件、反欺诈或信用评分，使用分类器层次结构是可以且可取的。1 级分类器的评估速度应该非常快（毫秒），并且 FPR 很高是可以的；他们犯的任何错误都将被更准确、功能齐全、速度较慢的高级分类器或最终的人工审阅者发现。明显的例子：防止来自 Twitter 帐户接管的假新闻头条，例如 2013 年“白宫炸弹袭击造成三人死亡”，在发布后几毫秒内影响数十亿美元的交易。1 级分类器可以将其标记为垃圾邮件阳性；让我们花一点时间（自动）确定耸人听闻但未经证实的新闻报道的真假。