理工酷

损失越小，模型越好（除非模型与训练数据拟合过度）。损失是在训练和验证的基础上计算出来的，它解释的是模型对这两组数据的处理好外。与准确度不同，损失不是一个百分比。它是训练集或验证集中每个例子的错误总和。

在神经网络的情况下，损失通常为负对数似然率和分别用于分类和回归的残差平方和。自然地，学习模型的主要目标是通过不同的优化方法（如神经网络中的反向传播）来改变权重向量值，从而减小（最小化）损失函数相对于模型参数的值。

损失值意味着某个模型在每次迭代优化后表现的好坏。理想情况下，人们期望在每次或多次迭代之后减少损失。

一个模型的精度通常是在模型参数被学习和固定之后确定的，并且不进行任何学习。然后将测试样本输入到模型中，在与真实目标进行比较后，记录模型所犯错误的数量（零1损失）。然后计算错误分类的百分比。

例如，如果测试样本数为1000，并且模型正确地分类了其中的952个，那么模型的准确率为95.2%。

在降低损失价值的同时，也有一些微妙之处。例如，你可能会遇到过度拟合的问题，在这个问题中，模型“记住”了训练示例，并对测试集无效。如果不采用正则化、模型非常复杂（自由参数W的数量很大）或数据点N的数量非常少，也会发生过度拟合。