为什么从Keras模型中移除验证样本会如此提高测试精度

我正在为Andrew Ng的卷积模型深度学习课程做一个编程作业，该课程涉及使用Keras对模型进行培训和评估。在玩了一些不同的旋钮之后，我观察到了一些奇怪的现象：通过将

模型上的
验证分数
参数设置为0，模型的测试精度大大提高（从50%提高到90%）。这让我感到惊讶；我本以为消除验证样本会导致模型的过度拟合，这反过来会降低测试集的准确性

有人能解释一下为什么会发生这种情况吗？
你是对的，有更多的培训数据，但由于dI将验证分数设置为0.1，因此增加的数据几乎可以忽略不计，因此这将使培训数据增加11.111%。%，我意识到删除验证步骤不会对模型产生任何影响，因此不会影响测试精度。我想我一定也改变了一些其他参数，虽然我不记得是哪个。
正如Matias所说，这意味着有更多的训练数据需要处理

然而，我也要确保测试的准确度实际上是从50%持续增加到90%。反复检查几次以确保安全。有一种可能性是，由于验证样本非常少，模型很幸运。这就是为什么拥有大量的验证数据很重要的原因——以确保模型不仅仅是走运，而且实际上有一种方法可以解决这种疯狂

在我的《关于股票预测》（about stock prediction，我认为这是学习深度学习的另一个很好的方式）一书中，当涉及到训练和测试数据时，我复习了一些“规范”。请随意查看并了解更多信息，因为它对初学者非常有用

祝你好运
 你只是有更多的训练数据，就这样。