问我关于ML模型的方法正确吗？

EN

首先，我是这里的新手，这是我在这个平台上的第一个问题，所以如果有错误的话，我很抱歉。

在我的论文研究中，我试图通过查看商业航空参数来识别某架飞机的非正常油耗。为此，我使用两个单独的数据库；一个是实际飞行数据(QAR数据)，另一个是高保真模拟(作战飞行计划)。我的策略是用模拟(OFP)来训练前馈ML模型(我使用Pytorch)，并用QAR数据对它们进行测试。下面是在一定ML条件下的最佳模型结果。

上面的意思是，经过训练的模型可以预测实际飞行的燃油燃烧，而在%99.3的飞行中，误差小于%5。同样，error<%3 -> %93.4 %，error<%2 -> %78.9 %航班.

这就是我困惑的开始。

比方说，0.7%的航班消耗了%5 %的燃料，甚至更多。我怎么能确定这不是由训练错误引起的呢？如果我用OFP参数测试模型，并逐次查看模型的错误飞行，并识别有训练错误的飞行(即%5或多或少的燃料燃烧)，并将它们排除在第一个非正常的识别过程之外，这会有效吗？在我看来，这个想法是行不通的，因为训练数据集将与测试数据集相同，并且模型将过度匹配。

你认为上述方法正确吗？还有其他的选择，我可以坚持以克服训练错误吗？或者，我是否应该接受这些训练错误，因为在这种情况下对它们没有什么可做的？