Algorithm 算法训练阶段的健全性检查

我有一个图像压缩算法，我可以训练，然后给它一些测试图像。 不过，这段代码似乎有问题。 为了测试这一点，我尝试给它提供与我训练它时使用的相同的测试图像（即测试集==训练集）。现在我的一般问题如下

如果你用你训练过的数据测试一个算法，会发生什么

我的怀疑是，我应该得到同样的结果，就好像我从来没有训练过算法一样（也就是说，我只是在没有任何训练的情况下用原始数据进行了测试）

你对这种情况怎么看？ 你建议什么样的测试（比如健全性检查）来确保算法训练阶段是合理的

---

谢谢你的回答。该算法使用上下文树加权，即在灰度图像的某一点上计算0或1的概率。它使用该点之前的上下文来估计其概率（0/1）。压缩比（位/字节）作为结果优劣的度量。 首先，我在单个图像（x）上运行ctw，压缩为0.75，然后我使用示例6图像进行训练，并使用训练集之外的相同图像（x）进行测试。但训练后的压缩比为0.80位/字节。图像为2048*2048灰度。 在得到这些结果之后，我试图通过交叉验证来测试ctw的正确性，得到了我之前解释过的奇怪结果

我希望这些信息将有助于给我答案

---

谢谢

这完全取决于算法和您的问题。有些（例如，使用最近邻方法进行分类）将很容易得到完美的答案。大多数测试数据在不同的测试数据上表现出更好的性能，这些测试数据来自与训练数据相同的分布，但并不完美。我想可能有一些地方你好像从来没有训练过它，但是对于大多数算法来说，没有任何训练的测试甚至不是一个定义的操作，或者它只是一个完全随机的结果

对训练数据进行测试可以是一个相当不错的健全检查，检查代码是否正常工作，因为它应该做得很好。但是最好只使用一个小的训练集/测试集进行测试，并确保它在测试集上执行合理的操作。对于分类或回归，您通常会执行一些交叉验证的变体（以避免在训练集上进行测试）来执行真正的性能评估，您可以在一些小数据集上执行这些操作，这些数据集可以快速运行以测试代码

---

不过，我不太清楚你面对的是什么环境。你能再解释一下吗？i、 e.算法如何使用其训练集进行图像压缩？

您的怀疑是不正确的。ML算法通常应该在用于训练它的集合上给出非常好的结果（在某些情况下，是完美的），除非该算法完全不适合该任务，或者如果它构思不好并且不收敛

很难说，因为我不确定你是如何教授压缩算法的。您是否使用原始文件和输出文件大小的比率来衡量结果的“优劣”？你是如何在此基础上调整算法的，你是如何确保这些调整会导致收敛，而不仅仅是随机效应

就健全性检查而言，如果算法在用于训练它的集合上给出的结果不比随机结果好，那么算法就不起作用。相反的情况并非如此——训练集测试良好并不意味着算法运行良好