Python 测试集是否用于使用keras更新深度学习模型中的权重？

我想知道测试集的结果是否用于优化模型的权重。我试图建立一个模型，但问题是我没有太多的数据，因为他们是医学研究患者。在我的案例中，患者的数量是有限的（61），每个患者有5个特征向量。我试图通过排除一个主题来创建一个深度学习模型，并使用排除主题作为测试集。我的问题是，主题特征有很大的变化，我的模型很适合训练集（60个主题），但不太适合排除在外的1个主题。

---

因此，我想知道测试集（在我的例子中是被排除的主题）是否可以以某种方式使用，以使模型收敛，从而更好地对被排除的主题进行分类？

不，您不应该使用测试集进行训练，以防止过度拟合，如果使用交叉验证原则，则需要将数据准确地划分为三个数据集—用于训练模型的训练集，用于测试超参数不同值的验证集，以及用于最终测试模型的测试集。如果使用所有数据进行训练，则模型将明显过拟合

---

要记住的一点是，深度学习很有效如果你有一个庞大且非常丰富的数据集

不，你不应该使用你的测试集进行训练以防止过度拟合，如果你使用交叉验证原则，你需要准确地将你的数据分成三个数据集一个训练模型的训练集，一个用于测试超参数不同值的验证集，一个用于最终测试模型的测试集，如果您使用所有数据进行训练，您的模型将明显过拟合

---

要记住的一点是，如果您拥有大量且非常丰富的数据集，那么深度学习会起到很好的作用

您不应该在培训过程中使用数据集的测试数据。如果您的培训数据不够，那么在这段时间内（特别是对于医学图像）使用较多的一种方法是数据增强。因此，我强烈建议您在培训过程中使用此技巧。是关于数据扩充的好教程之一。

您不应该在培训过程中使用数据集的测试数据。如果您的培训数据不够，那么在这段时间内（特别是对于医学图像）使用较多的一种方法是数据增强。因此，我强烈建议您在培训过程中使用此技巧。是关于数据增强的好教程之一。

不，不，不，不，不。甚至不要使用测试集来训练模型。不，不，不，不，不。甚至不要使用测试集来训练模型。我认为我不能在我的情况下使用数据增强，因为我的1D特征向量来自连接矩阵。因此，每个值的位置都是有意义的。因此它们是不可交换的，也许你可以。您可以扩充数据，然后从扩充的数据中获取连接矩阵。我的意思是，你不必增加网络的输入。是的，我可以从这个开始。然而，我想知道我是否会增加每个受试者的连通矩阵数量，因为我排除了一个受试者，以便使用培训过程中未包含的数据验证模型，模型如何更有效地对排除的受试者进行分类？我觉得我错过了一些重要的事情：）我不确定我是否正确理解了你的观点。但这就是学习的概念。您的系统将使用一些数据进行学习，然后应该能够预测新数据（这些新数据有时可能是训练数据）。这是学习系统面临的挑战，需要对看不见的数据做出更好的决策。我认为我不能在我的案例中使用数据增强，因为我的一维特征向量来自连通矩阵。因此，每个值的位置都是有意义的。因此它们是不可交换的，也许你可以。您可以扩充数据，然后从扩充的数据中获取连接矩阵。我的意思是，你不必增加网络的输入。是的，我可以从这个开始。然而，我想知道我是否会增加每个受试者的连通矩阵数量，因为我排除了一个受试者，以便使用培训过程中未包含的数据验证模型，模型如何更有效地对排除的受试者进行分类？我觉得我错过了一些重要的事情：）我不确定我是否正确理解了你的观点。但这就是学习的概念。您的系统将使用一些数据进行学习，然后应该能够预测新数据（这些新数据有时可能是训练数据）。这是学习系统面临的挑战，需要对看不见的数据做出更好的决策。