Model 为什么最终的准确度与显示的相差甚远

我运行一个简单的神经网络进行训练。输入为12个特征，输出为25个特征。我使用tflearn运行代码，但如屏幕截图所示，为什么最终精度不在0.68左右

我的代码是：

    #Set network variables and hyperparameters
    nIn = 12
    nHidden = 200
    nOut = 25
    alpha = 0.01
    nEpochs = 500
    testSplit = 0.2
    batchSize = 32

    input_layer = tflearn.input_data(shape=[None, nIn])
    layer2 = tflearn.fully_connected(input_layer, nHidden, activation="relu")
    out = tflearn.fully_connected(layer2, nOut, activation="softmax")

    #sgd = tflearn.optimizers.SGD(learning_rate=0.001, lr_decay=0.0, decay_step=1000, staircase=False, use_locking=False)
    network = tflearn.regression(out, optimizer="adam", loss="categorical_crossentropy",batch_size=batchSize)

    model = tflearn.DNN(network)

    #Number of data points used for testing
    num_test = int(testSplit * len(data))

    #Split data into train and  test
    trainX = dataX[:-num_test]
    testX = dataX[-num_test:]

    trainY = dataY[:-num_test]
    testY = dataY[-num_test:]

    model.fit(trainX, trainY, n_epoch=nEpochs, show_metric=True)

    print("Final Accuracy:", model.evaluate(testX, testY))

---

任何帮助都将不胜感激。

在代码末尾，您将看到您使用验证集计算模型的准确性。这意味着：直到此时，您的模型才看到该数据

当您在训练数据上训练网络时，它会在多次迭代中重用相同的数据。在您的情况下，它使用您的整个训练集至少499次，并调整其参数。当您使用验证集时，它从未见过该数据，并且将比您的培训数据表现更差。这是非常普遍的

---

我建议您做的是，在培训期间使用验证数据验证您的模型。一个常见的问题是所谓的

过度拟合

，它会导致训练和测试精度之间的巨大差距。这意味着您的模型参数对训练数据调整过多，无法很好地推广到新数据。通过比较验证/测试精度和培训精度，您将能够检测到这种情况。如果第一个增加而第二个减少，则会出现过度拟合

这回答了你的问题吗？