为什么训练集准确率能到98%，而测试集只有70%左右，该怎么做才能提高测试准确率？

最新推荐文章于 2023-09-15 21:44:41 发布

LEGION-LC

最新推荐文章于 2023-09-15 21:44:41 发布

阅读量2.1w

点赞数 9

文章标签：深度学习卷积神经网络

本文链接：https://blog.csdn.net/qq_41543420/article/details/106785728

版权

最近在做一个图片分类的问题，测试集的准确率总是上不去，主要是和训练集差的也太大了，大佬可以给一些建议吗？

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

LEGION-LC

关注关注

9
点赞
踩
15

收藏

觉得还不错? 一键收藏
20
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

训练准确率100%，测试准确率只有50%？？

**My Coding Family**

10-21

1308

你面临的主要问题可能是过拟合、数据不一致性或计算准确率时的逻辑问题。通过增加正则化、确保数据处理一致性、合理选择阈值等方式，可以帮助你提升模型的泛化能力和准确率。希望如上措施及解决方案能够帮到有需要的你。PS：如若遇到采纳如下方案还是未解决的同学，希望不要抱怨&&急躁，毕竟影响因素众多，我写出来也是希望能够尽最大努力帮助到同类似问题的小伙伴，即把你未解决或者产生新Bug黏贴在评论区，我们大家一起来努力，一起帮你看看，可以不咯。

神经网络与深度学习---验证集（测试集）准确率高于训练集准确率的原因

风吹落叶的博客

12-30

8777

1.数据集太小，这样会导致数据集切分的时候不均匀，也就是说训练集和测试集的分布不均匀，如果模型能够正确地捕捉到数据内部的分布模式的话，就有可能造成训练集的内部方差大于验证集，会造成训练集的误差更大，这个时候就需要重新划分数据集，使其分布一样。 2.模型正则化过多，比如训练时dropout过多，和验证时的模型相差较大，验证时是不会有dropout的。 Dropout能基本上确保测试集的准确性最好，优于训练集的准确性。Dropout迫使神经网络成为一个非常大的弱分类器集合，这就意味着，一个单独的分类器没有太高的

20 条评论您还未登录，请先登录后发表或查看评论

训练集准确率很高，验证集准确率低问题

m0_37347812的博客

12-16

1041

训练集准确率很高，验证集准确率低问题

keras训练模型，训练集的准确率很高，但是测试集准确率很低的原因

ZDA_fight的博客

06-19

1万+

今天

拒绝DNN过拟合，谷歌准确预测训练集与测试集泛化差异，还开源了数据集 | ICLR 2019...

量子位

07-11

598

鱼羊发自凹非寺量子位报道 | 公众号 QbitAI深度神经网络（DNN）如今已经无处不在，从下围棋到打星际，DNN已经渗透到图像识别、图像分割、机器翻译等各种领域...

PRN（20200908）：Frosting Weights for Better Continual Training

昔风不起，唯有努力生存！

09-08

733

Zhu, Xiaofeng, et al. “Frosting Weights for Better Continual Training.” 2019 18th IEEE International Conference On Machine Learning And Applications (ICMLA). IEEE, 2019. 1. 问题背景问题依旧是解决深度学习灾难性遗忘问题，详见深度学习之灾难性遗忘问题与PRN（20200816）：A Hierarchical Deep Convolutio

【已解决】使用keras对resnet， inception3进行fine-tune出现训练集准确率很高但验证集很低的问题（BN）

热门推荐

wf592523813的博客

07-02

1万+

最近用keras跑基于resnet50，inception3的一些迁移学习的实验，遇到一些问题。通过查看github和博客发现是由于BN层导致的，国外已经有人总结并提了一个PR（虽然并没有被merge到Keras官方库中），并写了一篇博客，也看到知乎有人翻译了一遍：Keras的BN你真的冻结对了吗当保存模型后再加载模型去预测时发现与直接预测结果不一致也可能是BN层的问题。总结： keras...

测试集准确率不变_现在的机器学习模型似乎对测试集产生了严重的过拟合!

weixin_39531229的博客

12-06

2159

在《理解数据增强》的文章deardao：理解数据增强（Data Augmentation）zhuanlan.zhihu.com的最后留了一个问题：测试集是否能代替真实的样本分布？或者说换一组测试集是否可以得到相同的精度？我们对该问题的回答决定了我们对模型的信任程度。我们再把《理解数据增强》中的表格拿过来：表格1 对号代表使用数据增强，叉号代表不使用文中提到，我们一般...

训练准确率很高，预测准确率确很低的问题bug

SweetBonk的博客

07-12

2802

最近接到一个二分类的任务，使用VGG训练的模型，结果发现训练准确率很高测试准确率去很低。不管怎么改权重改模型都一样。经过长时间的分析确定了训练的代码没问题，权重也没问题，那么结果就出在了预测代码上。最终发现是权重没有加载，等于我每次都用初始化的模型来预测的。大家遇到这种问题不妨看看权重有没有加载上net.load_state_dict(model)...

Tensorflow学习：卷积神经网络的搭建+MNIST手写数字的识别(分批训练，达到训练集99%，测试集99%准确率)+保存模型和读取模型

qq_41617848的博客

04-09

894

import numpy as np import pandas as pd import matplotlib.pyplot as plt import matplotlib.cm as cm import tensorflow as tf learning_rate = 1e-4 training_iterations = 2500 dropout = 0.5 batch_size = ...

神经网络训练集准确率低,神经网络训练结果分析

wenangou的博客

10-07

5522

例如电力负荷预测，当进行的是短期负荷预测时，输入的样本为最近几日的负荷数据，那么预测的自然是最近几日的，不可能再长。再例如，进行人口增长预测，则一般是以多年预测为基础的。(2)误差通过输出层逆向传播，隐含层越多，逆向传播偏差在接近输入层时就越不准确，评价效率在一定程度上也受到影响，收敛速度不及时的情况就容易出现，从而造成个别区域的复垦潜力评价结果出现偏离。通常最为理想的神经网络只具有一个隐含层，输入的信号能够被隐含节点分离，然后组合成新的向量，其运算快速，可让复杂的事物简单化，减少不必要的麻烦。

Tensorflow手写汉字识别训练精度99%，为什么测试准确率才50%？教你一招轻松解决图像自动裁切处理问题

小胡说人工智能的博客

04-20

4431

项目场景：应用在Tensorflow手写汉字识别测试场景。问题描述：最近有个小伙伴们做毕业设计找到了我，他很奇怪为什么在用tensorflow进行手写汉字训练的时候，明明精度都已经达到了99%，但是测试的时候，却总是识别错误。解决方案：图像自动裁切处理。

Keras深度学习使用VGG16预训练神经网络实现猫狗分类

wFitting的博客

04-02

9673

使用Keras VGG16训练猫狗图像分类模型

pytorch实现图像分类，训练集准确率很高，测试集准确率总是很低

qq_40929682的博客

11-10

1万+

在使用pytorch运行图像分类的代码的时候，发现测试集准确率总是只有30%左右，但是训练集准确率基本可以达到80%以上，那么存在的问题可能是一下几个方面导致的： 1、学习率设置得太高，可以尽量将学习率设置得小一点； 2、没有使用outputs = net(inputs)这一行代码，这行代码表示前向传播求出预测的值，如果没有这行代码，那么后面预测值使用的outputs是来自训练集最后一个batch的output，因此导致准确率很低； 3、epoch设置的太小，导致网络还没有学习到足够的信息，导致..

训练集验证集很高（＞95%），但测试集始终低于5%

最新发布

weixin_44995401的博客

09-15

2731

训练集和测试集上的准确率都很高，但是测试集始终低于5%，稳定地低于5%。

softmax避坑，训练集80、90准确率，测试集一直50左右

qq_40929682的博客

04-27

2030

在使用softmax之后，大家一定要把outputs输出查看是否满足每一行或者每一列值相加为1（看自己输出是一列还是一行）（1）dim=0：对每一列的所有元素进行softmax运算，并使得每一列所有元素和为1。（2）dim=1：对每一行的所有元素进行softmax运算，并使得每一行所有元素和为1。 ...

验证集准确率一直不变

weixin_43762134的博客

03-07

1329

验证集准确率上不去

2022/1/6机器学习之模型评估

bcxiaobaichi的博客

01-07

3082

一、管道方法简化工作流 1.读入数据集：pd.read.csv("+地址“） 2.将特征分配给NumPy阵列x,用LabelEncoder将对象分类标签转为整数。 3.将数据分为训练集和测试集 4.使用make_pipeline函数可以将包含任意多个scikit-learn转换器（支持fit和transform方法作为输入对象），后面接着实现fit以及predict方法的scik-learn评估器。二、在模型未见过得数据上评估其性能或者对模型泛化性能得可靠评估方法： 1.抵抗交叉验证： a.开始阶段：

为什么RenNet50做犬类识别时训练集和测试集的准确率很低

05-09

训练集和测试集的准确率很低可能有以下原因： 1. 数据集的质量问题。可能数据集中的犬类图片品质不高，或者存在噪声、重复、模糊等问题，导致模型无法准确识别。 2. 数据集的分布问题。如果训练集和测试集的犬类图片分布不均匀，如某些品种的狗只在训练集中出现，而在测试集中没有出现，或者某些品种的狗只在测试集中出现，而在训练集中没有出现，这也会导致模型的准确率很低。 3. 模型参数的设置问题。可能模型的参数设置不合适，如学习率、批量大小等，导致模型收敛缓慢或者过拟合等问题。 4. 训练过程的问题。可能模型训练时出现了过拟合、欠拟合等问题，需要调整模型结构或者训练策略。综上所述，要提高模型的准确率，需要优化数据集的质量和分布，优化模型参数和结构，以及优化训练策略。