巨大的差异。在训练和测试准确性之间:只是过度拟合，还是我遗漏了一些显而易见的东西？
在训练和测试准确性之间的巨大差异可能是由于过度拟合或者遗漏了一些显而易见的东西所导致的。
过度拟合是指模型在训练数据上表现良好，但在测试数据上表现较差的情况。这通常是因为模型过于复杂，过度拟合了训练数据的细节和噪声，导致对新数据的泛化能力较差。解决过度拟合的方法包括增加训练数据量、减少模型复杂度、使用正则化技术等。
另一方面，如果在训练和测试过程中遗漏了一些显而易见的东西，也可能导致训练和测试准确性之间的差异。这可能是因为在训练数据中存在一些特殊的模式或规律，而在测试数据中缺乏这些模式或规律。为了解决这个问题，可以通过更全面地收集和标注数据，确保训练数据和测试数据的代表性。
总之，要解决训练和测试准确性之间的巨大差异，需要注意模型的复杂度和泛化能力，并确保训练数据和测试数据的代表性。此外，持续的模型评估和改进也是非常重要的。
相关·内容
2回答
巨大的差异。在训练和测试准确性之间:只是过度拟合，还是我遗漏了一些显而易见的东西？
tensorflow、deep-learning
我很清楚过度拟合的可能性，但它真的会如此糟糕，以至于我在训练中达到90%的准确率，而在测试中保持25%的准确率吗？我的数据有4个类别，所以测试中25%的准确率基本上是纯粹随机的结果。我想知道我是不是错过了一些非常明显的东西？
我正在尝试用T
浏览 1提问于2017-03-09得票数 0
4回答
在火车上99%的准确率和在测试中96%的准确性是不是太过分了？
machine-learning、python、machine-learning-model、data-science-model、accuracy
我有一个二进制分类问题，类比较均衡(57%-43%)，使用随机森林分类器的GridSearch获得了最佳的超参数，并应用该模型进行了训练和测试。现在我在火车上有99%的准确度，在测试中有96%。要知道，这是我GridSearch的GridSearch
param_grid = {'n_estimators' : [100, 300, 500,
浏览 0提问于2022-12-27得票数 2
1回答
口译模型
interpretation
如果我训练了一个模型(比如logistic回归)，训练，测试和验证。在解释过程中，我应该基于哪些数据集(测试或验证)进行解释？如果测试和验证在性能上显示出一些差异(例如，在测试的准确性方面高于验证的情况下)，它是否显示出过度拟合的<
浏览 0提问于2022-09-08得票数 1
3回答
关于机器学习的基本问题
machine-learning、scikit-learn、computer-vision、conv-neural-network、data-science
我正在研究卷积神经网络，并比较其他方法，如HoG。在使用这两种方法完成二进制分类之后，我得到了以下结果：培训准确率: 83%CNN方法：验证准确性: 91%我的问题是，这些方法是否过份适合训练？
浏览 6提问于2017-08-30得票数 1
2回答
我怎样才能自动使我的模型适合于文本分类？
machine-learning、classification、logistic-regression
我想展示一个模型的例子，该模型过度拟合了测试集，并且不能很好地对未来的数据进行泛化。我正在创建一个网格搜索(没有交叉验证)，每个循环都会测试向量化器上的一些参数('min_df'，'max_df')和我的模型LogisticRegression上的一些参数('C'，'fit_intercept<
浏览 0提问于2018-03-14得票数 1
1回答
关于过度适应和击打的问题
machine-learning、overfitting、oversampling
因此，我理解，当您有良好的精度，例如，训练数据集和测试数据集的一个坏的准确性，但为什么我甚至要检查训练数据集的准确性？如果我在测试数据集上有很好的准确性，这意味着我很有可能不会过度适应，对吗？(假设我们确保模型没有对任何测试数据进行
浏览 0提问于2022-12-30得票数 0
回答已采纳
3回答
机器学习中的过度拟合术语
python、machine-learning、scikit-learn
在第50页的“”一书中，作者正在对数据集执行线性回归，并得到：test set score: 0.66training set score: 0.892然后，他们声明如下“事实证明，测试数据集的准确性</e
浏览 1提问于2018-07-29得票数 0
回答已采纳
2回答
有密集连接层的辍学
tensorflow、machine-learning、keras、deep-learning、densenet
我在我的一个项目中使用了一个密集的模型，并且在使用正则化时遇到了一些困难。
没有任何正则化，验证和训练损失(MSE)都会减少。然而，训练损失下降得更快，导致最终模型的一些过度拟合。所以我决定用辍学来避免过度适应。当使用Dropout时，验证和训练损失在第一个时期减少到0.13
浏览 3提问于2020-04-05得票数 2
回答已采纳
4回答
如何知道模型已经开始过火了？
neural-network、overfitting
我希望以下摘录将提供一个洞察我的问题将是什么。这些是来自这里的。
然后，学习逐渐减缓。最后，在280年代前后，分类精度几乎停止了提高。后来的年代只是在280年代的精度值附近看到了小的随机波动。就像费米不喜欢的模型一样，我们的网络在800年后所学习的东西不再推广到测试数据中。所以这是没有用的学习
浏览 0提问于2017-05-22得票数 12
1回答
Catboost适用于训练数据，但测试性能提高
performance、cross-validation、catboost、overfitting-underfitting
我正在一个由41k观测和~60功能组成的数据集上训练catboost。数据集是空间分布的纵向序列(9年)。目前，我只是使用数据的随机重采样，而忽略了空间和时间上的依赖关系。训练和测试AUC之间的差异是相当大的，这意味着过度适应。相反，第二次hp配置减少了训练
浏览 3提问于2021-09-30得票数 0
2回答
K次交叉验证与独立测试集结果的混淆
machine-learning、classification、scikit-learn、random-forest、svm
我在机器学习方面相对较新。我在一个项目中使用Random Forest和SVM。我在火车上做了一次10-fold cross-validation。这给出了以下K倍平均分数：另一方面，当我使用独立测试集进行测试时，它提供了以下准确性：我很困惑我的意
浏览 0提问于2019-07-27得票数 0
1回答
keras节省负荷模型，精度下降
python、machine-learning、keras、model、artificial-intelligence
链接到colab 因此，我训练了一个70%的模型，并将其保存到驱动器和删除的运行时。
然后重新启动运行时并从驱动器加载模型，使用完全相同的代码，准确率下降到40%-50%。我试着保存n只加载权，或json，或.5文件，保存n加载使用泡菜等，它不工作。删除runtiime或打开一个新的ipynb文件并加载模型后，准确性总是不一样的。
浏览 3提问于2022-12-03得票数 -1
2回答
我是否过度拟合我的随机森林模型(更多的信息，在描述)？
machine-learning、r、random-forest、overfitting
首先，如果这是个新手的问题，很抱歉！对所有这些东西来说都是比较新的。把这贴在堆栈溢出上有人把我送到这里！希望这是个合适的地方。无论如何，我正在处理22个数据集，每个数据集有180个"Oddball“数据和720个”标准“数据。我试图使用随机森林进行分类(例如，oddball=1，standard=0)。如果我制造了四个模型，每个模型仍然使用相同的训练数据，那么我是否对<e
浏览 0提问于2019-11-20得票数 3
回答已采纳
1回答
如何检测textsum训练是否过度拟合？
machine-learning、tensorflow、deep-learning、textsum
我正在使用Tensorflow 0.9，并使用Textsum模型进行训练。我搜集了大约130万篇文章，并且已经针对它们进行了大约一周的训练。平均损失约为1.75 - 2.1。我决定停下来运行eval，因为我的理解是，我的平均损失应该接近我通过训练获得的损失。当我运行eval时，我看到了2.6到2.9的平均损失。我</em
浏览 1提问于2016-11-16得票数 1
3回答
过度适应总是一件坏事吗？
machine-learning、regression、xgboost、kaggle
我目前正在参加几个机器学习比赛，因为我试图学习这个领域。在特性工程之后，我像往常一样将我的数据分成2组，一组训练，一组测试。然后，我将我的xgboost放在训练集上，并在测试集上进行验证。以下是我得到的结果：(当我使用经过训练<e
浏览 0提问于2018-03-19得票数 2
回答已采纳
2回答
损失和验证准确性之间的关系是什么？
deep-learning
实际上，我只训练修改后的VGG16网络的最后3个FC层。我在3个FC层中的两个增加了辍学，概率为0.5。所以，当我在这个网络上训练时，我不会做任何花哨的预处理，只会用原始作者给出的VGG_MEAN值减去图像中的每个通道。我注意到，平均验证的准确性并没有显示出任何改善的趋势--而且在整个培训过程
浏览 4提问于2016-11-09得票数 0
回答已采纳
2回答
训练后图像分割指标较高，但预测效果较差。
deep-learning、keras、convolutional-neural-network、semantic-segmentation
我正试图用Keras建立一个模型，它可以从显微噪声图像中预测出四类特征，这些特征覆盖了图像的10-30%。我之所以使用U，是因为我的数据集很小(150张用于培训的图像和30张用于验证的图像)。作为衡量标准，我使用了准确性、损失、交叉过并和骰子系数，经过100次训练后，得到了以下结果：
loss: 0.0518 - accuracy: 0.9555 - dice_coef: 0.9480 -，当我显示
浏览 0提问于2021-05-22得票数 1
2回答
在lstm预测模型中理解时代性、批量大小、精度和性能增益
tensorflow、machine-learning、keras、neural-network、lstm
我是机器学习和lstm的新手。我指的是多变量输入部分的编码器-解码器LSTM模型的这个链接。 return model
在评估模型时此外，这是不稳定的</e
浏览 0提问于2019-04-20得票数 0
回答已采纳
2回答
如何识别ML模型是否过度拟合数据集？
python、machine-learning、machine-learning-model
我一直在比较sklearn中的不同回归模型，在这样做的过程中，我对我得到的模型的评分值感到困惑。在下面的代码中，您可以看到我同时使用了线性回归和岭回归，但是训练和测试数据集的分值差异很大。-----------RIDGE REGRESSIONTest Sc
浏览 19提问于2019-04-25得票数 0
2回答
训练精度与测试精度的理想差异
classification、data、supervised-learning、training、accuracy
在数据分类问题(有监督学习)中，训练集精度和测试集精度之间的理想差别应该是什么？理想的范围应该是什么？训练和测试的准确度相差5%，好吗？或者这是否意味着过度适应？
浏览 0提问于2017-07-08得票数 2
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
即时通信 IM
ICP备案
对象存储
实时音视频活动推荐
腾讯云开发者
