在深度學習領域中，有很多防止過擬合的技術，而早期停止試其中一個比較常見的技巧。本文想談談早期停止。
什麼是早期停止
早期停止的核心概念非常簡單，在模型訓練的過程中，我們不讓它一直訓練到收斂，而是在某個適當的時點提前終止訓練。關鍵在於適當的定義，這個時點並非隨意選擇，而是透過監控模型在驗證集上的表現來決定。
標準的模型訓練流程是，將歷史數據劃分為訓練集與驗證集。模型在訓練集上學習，每一輪訓練結束後，計算模型在驗證集上的預測誤差。在訓練初期，隨著模型逐漸學習到數據中的真實規律，訓練集與驗證集的誤差會同步下降。但到了某個臨界點之後，模型開始過度學習訓練集中的特定模式，此時訓練集的誤差會持續下降，但驗證集的誤差反而開始上升。這個驗證集誤差由降轉升的轉折點，就是早期停止應該發生的時機。
早期停止之所以有效，是因為它直接打斷了模型過度擬合的過程。當模型開始記住訓練數據中的雜訊時，驗證集誤差會立即反映這個現象，而早期停止機制則在這個現象惡化之前就終止訓練，保留了模型在泛化能力最佳時的狀態。
停止條件的設定策略
早期停止的判決條件是另一個需要謹慎設計的面向。最單純的做法是設定一個固定閾值，當驗證集誤差在連續數輪訓練中沒有出現明顯改善時，即停止訓練。更具體地說，我們可以定義一個耐心參數，代表模型在驗證集誤差未創新低的情況下，最多可以容忍多少輪繼續訓練。當連續未創新低的輪數超過耐心參數時，訓練便終止，並回朔到驗證集誤差最低的那一輪所對應的模型權重。
耐心參數的設定需要權衡兩個互相衝突的目標：
- 若耐心參數設得太小，模型可能在驗證集誤差因隨機波動而暫時上升時就過早停止，錯失了進一步學習的機會。
- 若耐心參數設得太大，則模型可能已經在驗證集誤差上升的階段多訓練了許多輪，導致了一定程度的過度擬合。
另一種常見的停止條件是設定絕對的改善門檻，亦即驗證集誤差的下降幅度必須超過某個最小比例，才被視為有意義的改善。這種做法可以避免模型因為極小幅度的誤差改善而持續訓練，浪費計算資源，同時也能減少因隨機雜訊造成的虛假改善。
原文出處：voltima_quant (@voltima_quant) 於 Threads · 查看原文
