当使用训练集和验证集训练一个多层感知器（MLP）模型时，我们可以确定最适合该模型的训练轮数。一旦训练完成，并且我们知道了最佳的训练轮数，为了获得最佳的MLP模型，是否可以将模型不仅用训练集重新训练，还用整个数据集以相同的轮数重新训练，这样模型可以看到更多的数据？还是说，这个轮数对于第一种方法可能产生一个好的MLP模型，但在第二种方法中可能导致过拟合？

回答：

对此没有单一的解决方法。这取决于多个因素，例如验证策略（例如k折交叉验证与将验证集本身用作测试集），模型是在线学习还是离线学习，以及验证集中是否存在偏见或不平衡的数据。

您可能会发现以下资源有用：

• https://stats.stackexchange.com/questions/11602/training-on-the-full-dataset-after-cross-

• https://stats.stackexchange.com/questions/11602/training-on-the-full-dataset-after-cross-validation

• https://stats.stackexchange.com/questions/402055/fitting-after-training-and-validation

• https://stats.stackexchange.com/questions/361494/how-to-correctly-retrain-model-using-all-data-after-cross-validation-with-early

• https://www.reddit.com/r/datascience/comments/7xqszr/should_final_model_be_retrained_on_full_dataset/

• https://www.quora.com/Should-we-train-neural-networks-on-the-training-set-combined-with-the-validation-set-after-tuning