机器学习Keras精度模型与精度新数据预测

Question

我使用keras进行了深度学习。模型的准确性为99％。

    $`loss`
[1] 0.03411416

$acc
[1] 0.9952607

当我使用模型在新数据文件上进行预测类别时，只有87％的类别分类正确。我的问题是，为什么模型准确性和模型预测得分之间会有差异？

Answer 1

您的99％位于训练集上，这表明自己在训练过程中正在执行算法，永远不要把它当作参考。

您应该始终查看测试集，这才是真正的价值。

更重要的是，您的准确度应始终如下所示（至少是样式）：

例如训练集准确性始终在增长，而测试集遵循相同的趋势，但低于训练曲线。

您永远永远不会拥有完全相同的两组（培训和测试/验证），因此正常会有所不同。

培训集的目标是概括数据并从中学习。

测试集的目的是查看您是否概括良好。

如果您距离训练集太远，则两个集之间有很大的差异（主要是分布，数据类型等），或者如果两者相似，则您的模型过拟合（这意味着您的模型是太接近您的训练数据，并且如果您的测试数据有一点差异，这将导致错误的预测。

模型过拟合的原因通常是您的模型过于复杂，因此您必须简化模型（例如，减少层数，减少神经元数量等）