似乎没有人会说他们的模型说“10。5”时代。这是什么理论原因？
对我来说有点直观的是，如果我有一套完美独特的训练样本，那么在训练过度和过度训练之间的最佳膝点应该在完整的时期之间。然而，在大多数情况下，个别训练样本通常会以某种方式相似/相关。
是否存在基于统计数据的可靠原因？或者，有没有人根据经验进行调查？
答案 0 :(得分：2)
我对这个前提提出质疑：我工作的地方，我们经常运行部分时期，尽管大数据集的范围更高：例如，40.72个时期。
对于小型数据集或短期训练，这是一个以相同的权重对待每个观察的问题，因此很自然地认为每个观察者需要处理相同的次数。正如您所指出的，如果输入样本是相关的，那么这样做就不那么重要了。
我认为一个基本原因是方便：整数更容易解释和讨论。 对于许多模型，在最佳训练中没有膝盖：它是一条平缓的曲线，因此几乎可以肯定在精确度的“最佳点”内有一个整数个时期。因此，更方便的是发现10个时期略好于11个，即使最佳点（在多次训练中发现迭代计数的微小差异）恰好是10.2个时期。收益递减表明，如果9-12个时代给我们非常相似，良好的结果，我们只需注意10是8-15个时期范围内的最佳表现，接受结果，并继续生活。