训练越久，为什么新数据可能反而更差
围绕具体错误理解过拟合、类别不均衡和独立测试。把一个总分拆成每类结果，再决定下一步该补数据还是改模型。
1 · 先区分学会规律与记住训练记录
训练损失下降只说明模型对用于更新的记录更适应。若训练损失继续下降，验证错误开始增加，模型可能越来越依赖训练记录中的细节，这叫过拟合。先比较曲线，而不是把轮数越大当作效果越好。
控制模型规模、增加具有差异的真实场次、根据验证停止训练，都可能有帮助。每项调整应有一个可检验的问题，例如模型是不是只认某个人的动作速度。
2 · 一个总准确率会掩盖什么
假如九十份静止、十份走路，模型全猜静止就有 90% 准确率，但完全不会识别走路。需要按类别记录正确与错误。
| 真实类别 / 预测类别 | 静止 | 走路 |
|---|---|---|
| 静止 | 90 | 0 |
| 走路 | 10 | 0 |
这张表叫混淆矩阵，行表示真实类别，列表示预测类别。某类召回率是实际属于该类的样本中找回了多少；精确率是预测为该类的结果里有多少是真的。F1 综合二者；宏平均先算每类再平均，不让大类完全主导。
3 · 用错误记录指导下一次采集
若走路常被判成慢跑，检查这两类的速度和标签边界；若某个佩戴方向全面退化，检查坐标与训练覆盖；若过渡时连续误报，检查窗口标签和输出时序。先看具体错误片段，再决定补哪些记录。
不能仅删除难样本来提高分数，也不能把模型预测直接当成新的人工真值。片内决策树建议与网络输出可以帮助找分歧，最终标签仍需独立证据。
4 · 离线结果怎样与使用场景对应
窗口级准确率不能直接说明一次告警会误报多少次。高重叠窗口的错误常连续发生，实际产品要看每段活动、每小时误报、响应延迟等结果。健康相关指标也要有对应参考来源，不把运动分类成绩当成血氧或睡眠的证明。
报告中同时写人员数、场次数、总时长、有效和丢弃窗口数、每类数量、划分方式及处理延迟。结果数字只有和这些条件一起出现才容易复核。
5 · 冻结一次评估，再准备部署
在方案确定后保存权重、配置和独立测试结果。量化及主控接入以后，先保持同一批参考输入，比较输出变化，再另做实际佩戴评估。这样可以区分转换错误与场景泛化问题。
自己构造一个总体准确率高、某类召回为零的例子，手算矩阵。给已有错误片段写采集改进计划，每项说明为什么新增记录能够验证怀疑。