1樓：王華
如果你的測試集和訓練集不能動。
那就乾脆縮放吧，都縮放到0-1之間。
雖說，前面有說訓練集和測試集要同分布，說的很堅決，必須要。我是不同意這種說法的，分布這種本身概念就很模糊。
打過各種比賽，神經網路需要效果優先的，你可以試試縮放法。
2樓：華矩數診台
你可以使用歸一化，訓練集0--10，歸一化不就是X（X為訓練集重的資料）/（10--0）；測試集0--20，歸一化不就是X（X為測試集重的資料）/（20--0）；這樣就都處於0,1之間了。
3樓：
樓上已經回答的跟清楚了，訓練集個測試集需要同分布，從邏輯和訓練模型角度都一定要有這個前提，這個我就不重複了。
我補充一點，很多學習任務的訓練資料確實和真實場景有差異，Ng介紹了一種方法：比如訓練集10萬條資料和測試集1萬條來自不同分布，可以將測試集分為兩部分，比如A和B分別大小為5000和5000，將A的資料加入訓練集，B的資料作為測試集，這樣對訓練效果有所提公升。需要注意的是，保證測試集的資料必須和真實場景同分布，這個前提是不能變的，所以測試集的資料不能混入訓練集的。
另外，還可以用一些data augment的方法，多提供一些接近實際場景的資料。
總之同分布的前提越接近越好。
4樓：DylanY
Test和Train不能用不同的歸一化方式，Train集用歸一化的方式的引數要原封不動的用在Test集上，這樣才保住兩個資料集有可比性。
5樓：TY Sun
訓練集和測試集分布不一致時，結果是不可靠的。你需要自己分析資料集的特徵來設法歸一化。
以前我參加過Nvidia的培訓，他們演示了MNIST的訓練，結果都很好。後來講師自己寫了乙個數字，卻死活認不出來。其實MNIST中資料集中，周圍的4個畫素都是空的，而講師寫的那個數字剛好有一筆落在了這個範圍，因此可以認為測試資料與訓練資料不屬於同一分布，認不出來也不奇怪。
將資料集分為訓練集和測試集，訓練集上網格搜尋調參，得到最優引數，能用到在訓練集交叉驗證上嗎？
liaoyanjun 我理解你的意思是先做網格搜尋，選擇一組引數，然後做交叉驗證是不。答案是完全可以，你得到的就是一組引數對應的交叉驗證的均值。交叉驗證的均值好，引數就說明優秀。但是如果資料很大，程式會很慢。 哈哈祥 GridSearchCV，它存在的意義就是自動調參，只要把引數輸進去，就能給出最優...
分類演算法中，訓練集和驗證集有什麼區別？
武宗海山 一般來說，訓練集佔據了資料集的majority 例如百分之80 訓練集用於確定模型的basic引數。而驗證集 假設佔據10 則是在訓練模型的過程中不斷調整basic引數，也就是常說的 調參 當模型的引數最終確定後，停止訓練，採用測試集 10 來評估模型的泛化效能。 和煦 for each ...
在訓練cnn的過程中，訓練集準確率逐漸公升高，loss平穩下降，但是測試集動盪劇烈是什麼原因？
暴走的夢想 我覺得首先要看你的訓練集和測試集是否是同乙個資料集，同乙個資料集的話分布應該是大致相同的，當然要確保劃分資料集合理，比如訓練集是否包含了所有種類，是否對資料集進行了隨機劃分 這樣出現測試集acc和loss不穩定的情況就是過擬合了。還有一種情況就是訓練集和測試集沒有來自同乙個資料集，那這時...