我正在处理一个数据科学问题，我遇到了这个问题。
我有一个标记的数据（训练数据）和非标记的数据（测试数据），它们都有很多缺失的数据。
我对我的数据进行了处理，我把它分成了训练数据和验证数据。
我得到了一个非常好的精度和一个非常小的RMSE误差之间的Y_validation和预测的( model.predict(X_validate) ). 但是当我提交我的解决方案时，RMSE误差随着测试数据的增加而变大!
我可以做什么？
首先，你需要给你的测试数据贴上标签。如果你的测试数据没有被标记，你将无法衡量其准确性。它不会返回准确的误差表示。
你需要明白，训练集包含一个已知的输出，模型从中学习。测试数据必须被标记，这样当模型返回它对测试数据的预测时，我们就能够衡量模型是否正确预测了给测试数据的标签。
在做火车测试拆分的基础上，你还可以做交叉验证来提高模型的性能。你可以从这里了解更多。(https:/towardsdatascience.comtrain-test-split-and-cross-validation-in-python-80b61beca4b6。)
当一个模型不能很好地泛化时，有时会发生这种情况。当一个模型对训练数据过度拟合时，就会发生这种情况。
重新采样或对测试和训练数据进行更好的采样（如前所述，需要对数据进行标注）可以帮助你获得更好的泛化模型。