我如何知道我的神经网络模型是否过度拟合（Keras）

我使用 Keras 来预测输出是 1 还是 0。数据如下所示：

    funded_amnt  emp_length  avg_cur_bal  num_actv_rev_tl    loan_status
    10000       5.60088      19266                 2                  1
    13750       5.60088      2802                  6                  0
    26100       10.0000      19241                17                  1

目标是loan_status剩下的就是特征了。在开始构建神经网络模型之前，我已经对数据进行了标准化。

这是我的训练和测试数据的形状：

    print(X_train.shape,Y_train.shape) 
    # Output: (693, 4) (693,)

    print(X_test.shape,Y_test.shape) 
    # Output: (149, 4) (149,)

我构建神经网络的过程是：

     # define the keras model
     model = Sequential()
     model.add(Dense(4, input_dim=4,activation='relu'))
     model.add(Dense(4 ,activation='relu'))
     model.add(Dense(1,activation='sigmoid'))

     # compile the keras model
     model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

     # fit the keras model on the dataset
     hist = model.fit(X_train, Y_train, epochs=10, batch_size=2)

运行后的输出hist:

         Epoch 1/10
         693/693 [==============================] - 2s 2ms/step - loss: 0.6379 - acc: 0.7013
         Epoch 2/10
         693/693 [==============================] - 0s 611us/step - loss: 0.5207 - acc: 0.7951
         Epoch 3/10
         693/693 [==============================] - 0s 605us/step - loss: 0.5126 - acc: 0.7951
         Epoch 4/10
         693/693 [==============================] - 0s 621us/step - loss: 0.5109 - acc: 0.7951
         Epoch 5/10
         693/693 [==============================] - 0s 611us/step - loss: 0.5105 - acc: 0.7951
         Epoch 6/10
         693/693 [==============================] - 0s 636us/step - loss: 0.5091 - acc: 0.7951
         Epoch 7/10
         693/693 [==============================] - 0s 644us/step - loss: 0.5090 - acc: 0.7951
         Epoch 8/10
         693/693 [==============================] - 0s 659us/step - loss: 0.5086 - acc: 0.7951
         Epoch 9/10
         693/693 [==============================] - 0s 668us/step - loss: 0.5083 - acc: 0.7951
         Epoch 10/10
         693/693 [==============================] - 0s 656us/step - loss: 0.5076 - acc: 0.7951

这一切几乎都是一样的，并且在第二个纪元之后没有改变。我尝试过更改 Epoch 数和批次大小，但仍然得到相同的结果。 这是正常的吗？或者这是过度拟合的迹象，我需要更改一些参数

Your 测试数据用于监控模型的过拟合 https://en.wikipedia.org/wiki/Overfitting on 训练数据:

hist = model.fit(X_train, Y_train, validation_data=(X_test, Y_test), epochs=10, batch_size=2)

在训练过程中，您将达到一个点，训练损失继续减少，但测试损失停止减少。您的数据开始过度拟合的点。

在统计学中，过度拟合是“分析结果与一组特定数据过于接近或精确对应，因此可能无法拟合其他数据或可靠地预测未来的观察结果”。

举一个极端的例子，如果参数的数量等于或大于观察的数量，那么模型只需记住完整的数据就可以完美地预测训练数据。然而，这样的模型在进行预测时通常会严重失败。

通常，学习算法是使用一组“训练数据“：期望输出已知的示例情况。目标是算法在预测馈送时的输出方面也能表现良好”验证数据“在训练过程中没有遇到过这种情况。在学习时间过长或训练样本很少的情况下，过度拟合尤其容易发生，导致学习者适应训练数据的非常具体的随机特征，而这些特征与训练数据没有因果关系。目标函数，在这个过拟合的过程中，表现训练样例上仍然增加同时表现看不见的数据变得更糟.

绿线代表过拟合模型，黑线代表正则化模型。虽然绿线最好地遵循训练数据，但它过于依赖于该数据，并且与黑线相比，它对新的未见数据的错误率可能更高。