摘要：机器学习中的轮次(Epoch)指模型完整遍历训练数据集的次数，是影响模型性能的关键参数。轮次过少会导致欠拟合，模型无法充分学习；轮次过多则会导致过拟合，模型过度记忆训练数据。Python中可通过Keras的epochs参数设置轮次数量，在训练过程中模型会逐步优化损失函数，提高准确率。实际应用中需要平衡轮次数，并结合早停等技术防止过拟合。
目录
机器学习 - 轮次（Epoch）
Python 实现示例
代码示例
代码说明
输出结果
输出解读
机器学习 - 轮次（Epoch）
在机器学习中，轮次（Epoch）指的是模型训练过程中对整个训练数据集的完整迭代。简单来说，它是算法在训练阶段遍历整个数据集的次数。
在训练过程中，算法会对训练数据进行预测、计算损失值（loss），并更新模型参数以减小损失。训练的目标是通过最小化损失函数来优化模型性能。当模型完成对所有训练数据的预测后，即视为一个轮次完成。
轮次是训练过程中的关键参数，对模型性能有显著影响：
- 轮次设置过少可能导致欠拟合（Underfitting）：模型无法捕捉数据中的潜在规律，在训练集和测试集上均表现不佳。这种情况通常源于模型过于简单或训练不充分，此时增加轮次可帮助模型从数据中学习更多信息，提升性能。
- 轮次设置过多则可能导致过拟合（Overfitting）：模型过度学习训练数据中的噪声，在训练集上表现优异，但在测试集上性能较差。这通常发生在模型过于复杂或训练轮次过多的场景中。为避免过拟合，需限制轮次数量，并采用早停（early stopping）、丢弃法（dropout）等正则化技术。
Python 实现示例
在 Python 中，轮次数量通过机器学习模型的训练循环指定。例如，使用 Keras 库训练神经网络时，可通过fit方法的epochs参数设置轮次。
代码示例
# 导入必要的库 import numpy as np from keras.models import Sequential from keras.layers import Dense # 生成随机训练数据 X_train = np.random.rand(100, 10) # 100个样本，每个样本10个特征 y_train = np.random.randint(0, 2, size=(100,)) # 二分类标签（0或1） # 构建神经网络模型 model = Sequential() model.add(Dense(16, input_dim=10, activation='relu')) # 隐藏层：16个神经元，ReLU激活函数 model.add(Dense(1, activation='sigmoid')) # 输出层：1个神经元，Sigmoid激活函数（二分类） # 编译模型：二元交叉熵损失函数 + Adam优化器，评估指标为准确率 model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 训练模型：设置10个轮次 model.fit(X_train, y_train, epochs=10)代码说明
- 生成 100 个训练样本（每个样本含 10 个特征）及对应的二分类标签；
- 构建简单神经网络：包含 1 个输入层、1 个隐藏层（16 个神经元）和 1 个输出层；
- 采用二元交叉熵（binary cross-entropy）作为损失函数，Adam 作为优化器；
- 通过
epochs=10指定训练轮次为 10，模型将完整遍历数据集 10 次；- 训练完成后，模型可用于对新的未见过的数据进行预测。
输出结果
运行上述代码后，将输出每轮训练的损失值和准确率，示例如下：
plaintext
Epoch 1/10 4/4 [==============================] - 31s 2ms/step - loss: 0.7012 - accuracy: 0.4976 Epoch 2/10 4/4 [==============================] - 0s 1ms/step - loss: 0.6995 - accuracy: 0.4390 Epoch 3/10 4/4 [==============================] - 0s 1ms/step - loss: 0.6921 - accuracy: 0.5123 Epoch 4/10 4/4 [==============================] - 0s 1ms/step - loss: 0.6778 - accuracy: 0.5474 Epoch 5/10 4/4 [==============================] - 0s 1ms/step - loss: 0.6819 - accuracy: 0.5542 Epoch 6/10 4/4 [==============================] - 0s 1ms/step - loss: 0.6795 - accuracy: 0.5377 Epoch 7/10 4/4 [==============================] - 0s 1ms/step - loss: 0.6840 - accuracy: 0.5303 Epoch 8/10 4/4 [==============================] - 0s 1ms/step - loss: 0.6795 - accuracy: 0.5554 Epoch 9/10 4/4 [==============================] - 0s 1ms/step - loss: 0.6706 - accuracy: 0.5545 Epoch 10/10 4/4 [==============================] - 0s 1ms/step - loss: 0.6722 - accuracy: 0.5556输出解读
- 每一行对应一个轮次的训练结果，格式为
Epoch 轮次/总轮次；4/4表示训练数据被划分为 4 个批次（batch），已完成所有批次的训练；loss为当前轮次的损失值（数值越小表示模型预测越接近真实标签）；accuracy为当前轮次的准确率（数值越大表示模型性能越好）。
