python训练的准确率保持在低水平不变的原因_机器学习中的测试准确率很低的原因竟然是这样，我要曝光它...

背景

曾经，在图片识别领域，关于机器学习在训练和测试的时候会出现准确率不是很高的问题，我问过一位大学教授，以下我们的对话：

我：我们搞机器学习时遇到训练和测试的准确率不是很高，是什么原因？

教授：我们的模型有些地方没学习到，样本量太少了。

我：那多少个样本才合适呢？

教授：问题不是样本量有多少，而是让模型把每一个地方都学到，这样识别率才会提上去。

常见的两个现象

我相信做过机器学习的人都应该遇到两个现象

一、刚开始的时候，我们模型的准确率不会是很高，可以通过一些办法可以做进一步的改进。

为了提升准确率会做以下几方面的工作：

1.调整参数

2.增加样本量

3.拓宽模型节点数，或者加深网络层数

4.尝试新的模型

4种办法是我们常用的，具体要增加多少个节点、多少层网络才合适呢？都是一步一步去尝试，比较才知道要定多少是合适的。

二、训练的时候准确率很高，而到了测试的时候准确率就很低，为什么？

网上搜了一下这个问题的答案，解析都是模型过拟合，解决办法是重新打乱训练数据和测试数据，或者增加样本量，或其他一些办法。

放大招

至于第二点中给出的解决办法，大家都公认是正确的，我也觉得没问题，但是，但是，我觉得解析还不够透彻，我是这么理解的