回归预测模型时训练集的预测准确率低于测试集的原因？
意外 随机导致的， 建议你用交叉验证来实验，这样分配到训练集和测试集结果平均值才有说服力 祝你顺利为什么训练集的交叉验证准确率低于测试集的准确率
[size=14.px]做分类预测等数据挖掘任务时，需要测试所建立模型的准确性时，如没有事先划分好的训练集与测试集，常采用的方案有。 [size=14.px] A. 随机划分数据集：将数据集随机划分成训练集和测试集，一般按照3:1的比例划分，其中3/4的数据集用于模型的建立，1/4数据集用于测试所建立模型的性能。最终模型的性能，通过K次随机划分数据集，可以得到K次划分的模型性能的平均值，作为建立模型的性能。 [size=14.px] B. 交叉检验(Cross-Validation)：交叉检验，是按一定的方式将数据集划分成训练集和测试集，每个数据记录既有作为训练集，又有作为测试集。常用的交叉检cnn训练准确率很高，测试准确率很低（loss有一直下降）是为什么?
可能的原因：
有可能是层数较少，可以尝试增加卷积层；可能性不大。
之前我有出现过类似的情况，数据本身质量太低，就算训练层可以保证很高的准确率也没有什么意义，此时已经过拟合了。 这种情况是没有办法的，因为你的数据本身就有问题，无解。 你可以尝试用 机器学习的方法提取特征值 来验证， 如果此时准确率比CNN结果要好，那么就是你网络本身的问题，如果准确率也很差， 那就应该是你数据本身质量的问题。