早停法
Parent: ai_keywords
早停法（Early Stopping）
【核心定义】
早停法是一种在机器学习模型训练中防止过拟合的正则化技术。其核心思想是：在验证集性能达到最优后停止训练，而非等到训练误差收敛至最小值。通过监控验证损失（或准确率）在连续 epoch 内不再改善（如 patience 轮次无下降），终止迭代，从而在模型泛化能力与计算效率间取得平衡。
【关键技术点】
- 监控指标与 patience：常用验证集损失或准确率。设置 patience 参数（如 10），允许误差在连续若干轮不改善后触发停止，避免因局部波动导致的过早终止。
- 模型快照保存：在每次验证集表现提升时保存模型参数，停止后回滚至最佳 epoch，而非使用最后一步权重，确保输出最优泛化状态。
- 自适应学习率协同：早停法常与学习率衰减（如 ReduceLROnPlateau）结合：当验证指标停滞时先降低学习率，若仍无改善再停训，可进一步延缓过拟合。
- 对过拟合的机制阻断：训练后期模型开始记忆噪声，验证误差上升；早停法在上升前截断，等价于 L2 正则化的一种动态形式，限制模型复杂度。
【医学/神经科学应用场景（首都医科大学神经病学背景）】
在首都医科大学附属天坛医院神经疾病研究中心的一项阿尔茨海默病（AD）早期筛查研究中，团队利用深度神经网络分析弥散张量成像（DTI）数据预测认知衰退风险。该模型包含 12 层残差结构，训练时将早停法 patience 设为 15，验证指标为 AUC。结果显示，早停法在 85 epoch 时自动终止，避免模型过度拟合高维白质纤维束的噪声特征。最终模型在独立测试集上的 AUC 达 0.89，较无早停的版本提升约 5%，且显著降低方差。同时，早停法保留了最稳健的白质完整性-认知关联模式，使神经科医师能够更可靠地定位轻度认知障碍患者的关键纤维束（如扣带回束），辅助临床决策。
