在训练期间评估训练/测试结果时，应说明以下值：
Train: 50.5% - Test: 50.2%
Train: 55.5% - Test: 53.2%
Train: 62.5% - Test: 58.2%
Train: 69.5% - Test: 62.2%
Train: 75.5% - Test: 59.2% <--- stop training, overfitting seems to be happening.
当这种情况发生时，你能阻止模特训练吗？还是作弊？I.e当测试精度下降时，停止模型的训练。我知道你应该只在训练期间评估训练集，所以这就是我想知道的原因。
这是作弊。以这种方式训练的模型对其在"现实生活"中的表现没有任何合理的保证
你应该做的是有一个单独的机制来检测学习何时完成（似乎你的训练是迭代的），它可以分析模型本身，也可以使用数据集的一些单独的（通常称为验证）保持部分。
简言之：除了报告最终值之外，您不能使用测试数据来任何事情，也不能基于做出任何决定。
这取决于你在做什么。
如果你用测试的准确性来拟合超参数，那么是的，你在作弊。测试数据正在间接地"泄漏"到您的训练数据中，这是过度拟合。
因此，建议有3个数据集：训练、测试和验证数据。
将测试数据锁起来，在调整模型（训练）之前不要触摸它
尽可能多地使用验证数据来找到最佳超参数等
完成后，解锁测试数据以报告模型的准确性（只是为了强调，不要使用此反馈来调整模型）。
如果你对测试数据的准确性不满意，可以考虑重新思考你的模型。如果你对测试数据结果不满意，那么一旦模型投入生产，你就不会满意。
如果您没有足够的数据来创建三个分区，可以考虑进行k折叠交叉验证。
好吧，你可以做到这一点（假设你还有第三组数据，有时称为"验证"集）。这叫做提前停车。我不认为那样做有什么好处；是否提前停止取决于训练集和验证集的最佳参数的相对位置。如果我没记错的话，大约一半的时候你会提前停止，一半的时候不会。