Python 为什么我的训练和测试的精度图如此奇怪？

我对神经网络比较陌生。我正试图看到损失和准确性之间的区别。但是，对于精度图，列车数据和试验数据不相互接触。这是正确的吗

---

在这方面我应该做些什么改变？

在不知道数据的情况下很难说发生了什么。简而言之，您的模型似乎在学习，但这种学习并不能提高准确性。这是完全可能的。培训/测试精度不一定相互影响

你能做什么：调整你的模型，确保它以正确的方式学习。尝试模型的容量，更改批量大小，可能添加正则化。还要看看如果你为更多的时代而训练会发生什么

---

注意：如果数据量很小，神经网络的性能就不太好。在这种情况下，您需要求助于其他方法，可能是boosting。

这里是一些一般信息

是的，你的测试百分比通常会比你的训练百分比差。当您第一次初始化网络时，您的测试和培训百分比都会非常糟糕，随着时间的推移，两者都会变得更好。经过一些时期后，您的模型将开始“过度训练”，这意味着它将根据您的训练数据的个别小细节来决定，并开始对您的测试数据做得更糟

在您给出的图中，历元与损失函数图看起来是正确的，但模型精度图看起来并不像您所认为的那样

我发现我花了大部分的神经网络时间只是试图掌握正在发生的事情。不仅仅是你

---

祝你今天愉快

这里的任务是什么？数据/体系结构？它是从一个.txt文件中训练转向角，听起来像回归，其中精度不是有效的指标。因此不可能获得精度？这毫无意义，因为精度是一个分类指标，不适用于回归连续值

 #model compile
 model.compile(optimizer='adam', loss="mse", metrics=['acc'])
 filepath = "Autopilot.h5"
 checkpoint = ModelCheckpoint(filepath, verbose=1, save_best_only=True)
 callbacks_list = [checkpoint]


 def main():
     features, labels = loadFromPickle()
     features, labels = shuffle(features, labels)
     train_x, test_x, train_y, test_y = train_test_split(features, labels, random_state=0,
                                                    test_size=0.3)
     train_x = train_x.reshape(train_x.shape[0], 100, 100, 1)
     test_x = test_x.reshape(test_x.shape[0], 100, 100, 1)
     model, callbacks_list = keras_model(100, 100)
     history = model.fit(train_x, train_y, validation_data=(test_x, test_y), epochs=30, 
     batch_size=32, callbacks=callbacks_list)