neural-network - 我应该使用损失还是准确度作为提前停止指标？

Question

我正在学习和试验神经网络，并希望得到更有经验的人对以下问题的意见:

当我在 Keras 中训练自动编码器('mean_squared_error' 损失函数和 SGD 优化器)时，验证损失逐渐下降。并且验证准确度正在上升。到现在为止还挺好。

然而，一段时间后，损失不断减少，但准确度突然回落到低得多的低水平。

准确度上升非常快并保持高位突然回落是“正常”或预期的行为吗？

即使验证损失仍在下降，我是否应该停止以最大准确度进行训练？换句话说，使用 val_acc 或 val_loss 作为指标来监控提前停止？

看图片:

损失:(绿色 = val，蓝色 = 火车]


准确度:(绿色 = val，蓝色 = 火车]


更新:
下面的评论为我指明了正确的方向，我想我现在更好地理解了。如果有人可以确认以下内容是正确的，那就太好了:

准确度度量衡量 y_pred==Y_true 的百分比，因此仅对分类有意义。

我的数据是真实和二进制特征的组合。准确率图上升非常陡峭然后回落，而损失继续下降的原因是因为在 5000 纪元左右，网络可能正确预测了 +/- 50% 的二元特征。当训练继续时，大约在 12000 epoch 左右，对真实特征和二元特征的预测共同改进，因此损失减少，但仅对二元特征的预测不太正确。因此精度下降，而损失减少。

Answer 1

如果预测是实时的或者数据是连续的而不是离散的，那么使用 MSE(均方误差)，因为这些值是实时的。
但是在离散值(即)分类或聚类的情况下，使用准确性，因为给定的值只有 0 或 1。因此，这里 MSE 的概念将不适用，而是使用精度 = 错误值数/总值 * 100。