测试集精度大于训练精度
https://www.zhihu.com/question/64003151
如上图所示，有时候我们做训练的时候，会得到测试集的准确率或者验证集的准确率高于训练集的准确率，这是什么原因造成的呢？经过查阅资料，有以下几点原因，仅作参考，不对的地方，请大家指正。
（1）数据集太小的话，如果数据集切分的不均匀，或者说训练集和测试集的分布不均匀，如果模型能够正确捕捉到数据内部的分布模式话，这可能造成训练集的内部方差大于验证集，会造成训练集的误差更大。这时你要重新切分数据集或者扩充数据集，使其分布一样
（2）由Dropout造成，它能基本上确保您的测试准确性最好，优于您的训练准确性。Dropout迫使你的神经网络成为一个非常大的弱分类器集合，这就意味着，一个单独的分类器没有太高的分类准确性，只有当你把他们串在一起的时候他们才会变得更强大。
因为在训练期间，Dropout将这些分类器的随机集合切掉，因此，训练准确率将受到影响
在测试期间，Dropout将自动关闭，并允许使用神经网络中的所有弱分类器，因此，测试精度提高。
训练集的数据做了一系列的增广，如旋转，仿射，模糊，添加噪点等操作；过多的增广使得训练集分布产生了变化。
模型正则化过多，比如训练时dropout过多，和验证时的模型相差较大，验证时是不会有dropout的。
训练的精度是每个batch产生的，而验证的精度一般是一个epoch后产生的，验证时的模型是训练一个个batch之后的，有一个的滞后性；可以说训练得差不多的模型用来验证，当然精度要高一点。
————————————————
版权声明：本文为CSDN博主「yubajin」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/m0_37223909/article/details/105980930
所以，总的来说，训练集和测试集不是取自同一数据分布，测试集样本较少，模型比较简单，就有可能出现测试集误差反而低于训练集的现象。
相应的解决方案就是，尽量从同一数据集划分训练集和测试集，保证测试集样本充足（比如增加数据）。不太建议单纯因为训练集误差高于测试集误差就换用复杂模型，这么做可能沦为强行过拟合、治标不治本。
