为什么测试精度高于训练精度

Question

我正在使用TensorFlow来实现对象识别。我遵循了本教程，但使用了我自己的数据集。 https://www.tensorflow.org/versions/r0.8/tutorials/mnist/pros/index.html#deep-mnist-for-experts

我使用212个阳性样本和120个阴性样本进行训练。测试集包含100个阳性样品和20个阴性样品。 训练精度仅为32.15％，但测试精度为83.19％

我想知道是什么让测试精度高于训练精度，我的数据集还不够大？数据没有显示任何统计意义？或者这是一般性的事情，因为我看到一些人说训练精度没有任何意义。但那为什么呢？

Answer 1

这里有两个问题。

首先，当类不平衡时，精度不是衡量性能的一个很好的指标。

其次，更重要的是，您在测试集中的负面与正面的不良比率。您的测试集应该来自与训练集相同的过程，但在您的情况下，负数约为训练集的40％，但仅为测试集的约17％。不是很令人惊讶 - 分类器简单地回答＆＃34; true＆＃34;对于每个输入，测试集的精度将达到83％（正数为整个数据的83％）。

因此，这不是测试样本数量的问题，而是训练/测试数据集的错误构造的问题。我还可以想象，这种分裂存在更多问题，可能在训练和测试中存在完全不同的结构。