Machine learning 如何在比python中的训练集更少的类中测试CNN模型

我有热带风暴图片，并试图建立一个模型来分类风暴类别。在这里，我试图使用以前的风暴图像预测最后一场风暴的阶段，但最后一场风暴只占5个类别训练集有7个类别（基本上我将数据集像上次风暴一样分割用于测试，第一场风暴作为训练）。最后，我不得不问，有没有方法预测比训练班少的课程。

在我看来，如果您的测试集包含的类别少于培训类别，则这无关紧要，只要模型仍然可以预测您关心的5个类别。当模型为给定的测试样本生成预测时，您可以对预测的类进行排序，只取精度最高的预测类（例如，前3个精度），而忽略其余的

---

否则，我建议只使用您关心的课程数量来培训您的模型（5）只使用这些课程的培训集。

我有点困惑：什么是“额外”课程？诚然，正如@hwei geok ng所建议的，你可以从你感兴趣的课程中获得最高的价值，但我不明白为什么你的训练和推断数据有不同的形状。这些是风暴类别的图像。我有14场风暴。我想用13场风暴做一个模型，并预测最后一场。所以我的测试是最后一个。前13个风暴有7个类别（每个风暴有几个类别的图像，例如，有时风暴从类别1开始进入类别3，因此风暴没有关于其他类别的数据）。在本例中，上一场风暴只有5个类别。我现在了解到，您正在尝试按顺序预测下一幅图像，而不是将其视为纯粹的分类问题。也许这个[链接]（）会对你有所帮助。非常感谢。当我处理所有7个类别时，我的测试精度很低。在这种情况下，任何风暴都不能代表所有类别。当我们使用它们中的任何一个作为测试集时，它的准确性会下降。