我正在使用随机林。我的测试准确率是70%，另一方面训练准确率是34%？该怎么办？我该如何解决这个问题。
Test的精度不应高于train，因为模型已针对后者进行了优化。这种行为可能发生的方式：
-
您没有使用相同的源数据集进行测试。您应该进行适当的训练/测试拆分，使两者具有相同的基本分布。很可能您为
test提供了一个完全不同(更令人愉快(的数据集 -
应用了不合理的高程度的CCD_ 4。即便如此，也需要一些"测试数据分布与列车不同"的元素，才能使观察到的行为发生。
其他答案在大多数情况下都是正确的。但我想提供另一个视角。有一些特定的训练机制可能会导致模型更难学习训练数据，例如，对抗性训练或在训练示例中添加高斯噪声。在这些情况下，良性测试的准确性可能高于训练的准确性，因为良性示例更容易评估。然而，这并不总是一个问题！
如果这适用于你，并且训练和测试精度之间的差距比你想要的要大(在你的问题中，大约30%是一个相当大的差距(，那么这表明你的模型不适合更难的模式，所以你需要提高模型的可表达性。在随机森林的情况下，这可能意味着将树木训练到更高的深度。
首先应该检查用于训练的数据。我认为数据有一些问题，数据可能没有得到适当的预处理。
此外，在这种情况下，你应该尝试更多的划时代。绘制学习曲线以分析模型何时收敛。
您应该检查以下内容：
- 训练和验证准确性得分都应该增加，损失应该减少
- 如果在任何特定的历元之后，步骤1中出现了错误，那么只训练你的模型直到该历元，因为在那之后你的模型过于拟合