我正在为Andrew Ng关于卷积模型的深度学习课程做一个编程任务，该课程涉及使用Keras训练和评估模型。在玩了一些旋钮之后我观察到的是一些好奇：通过设置validation_fraction参数，模型的测试准确度大大提高（从50百分位到90％）在Model.fit操作为0.这对我来说是令人惊讶的;我原以为消除验证样本会导致模型过度拟合，从而降低测试集的准确性。
有人可以解释为什么会这样吗？
答案 0 :(得分：0)
你是对的，有更多的训练数据，但由于dI将验证分数设置为0.1，因此增加几乎可以忽略不计，因此这会使训练数据增加11.111 ...％但是，考虑一下更进一步，我意识到删除验证步骤对模型没有任何影响，因此对测试准确性没有影响。我想我也必须改变其他一些参数，虽然我不记得是哪一个。
答案 1 :(得分：0)
正如Matias所说，这意味着可以使用更多的培训数据。
但是，我还要确保测试精度实际上从50％持续增加到90％。运行几次以确保。有可能，因为验证样本非常少，模型很幸运。这就是为什么拥有大量验证数据非常重要的原因 - 确保模型不是很幸运，而且实际上是一种疯狂的方法。
我查看了一些＆＃34;规范＆＃34;在我book关于股票预测的培训和测试数据方面（我认为学习深度学习的另一个好方法）。请随意查看并了解更多内容，因为它对初学者来说非常棒。
祝你好运！