我目前正在使用神经网络和拟合函数来训练数据。
history=model.fit(X, encoded_Y, batch_size=50, nb_epoch=500, validation_split = 0.2, verbose=1)
现在，我已将validation_split用作20％。据我了解，我的训练数据将是80％，测试数据将是20％。我很困惑如何在后端处理这些数据。就像是要抽取前80％的样本进行训练而抽取低于20％的样本进行测试，还是从中间抽取样本？如果我想提供单独的培训和测试数据，我该如何使用fit（）来做到这一点？
而且，我的第二个担心是如何检查数据是否适合模型？从结果中可以看出，训练准确度约为90％，而验证准确度约为55％。这是否意味着过拟合或欠拟合？
我的最后一个问题是，评估收益是什么？Document说它返回损失，但是我已经在每个时期都得到了损失和准确性（作为fit（）的返回（历史记录））。评价返回的准确性和分数显示什么？如果评估返回的准确率返回90％，我可以说我的数据很合适，而不管每个时期的准确率和损失是多少？
以下是我的代码：
import numpy
import pandas
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.wrappers.scikit_learn import KerasClassifier
from sklearn.model_selection import cross_val_score
from sklearn.preprocessing import LabelEncoder
from sklearn.model_selection import StratifiedKFold
from sklearn.preprocessing import StandardScaler
from sklearn.pipeline import Pipeline
from keras.utils import np_utils
from sklearn.model_selection import KFold
from sklearn.metrics import confusion_matrix
import itertools
seed = 7
numpy.random.seed(seed)
dataframe = pandas.read_csv("INPUTFILE.csv", skiprows=range(0, 0))
dataset = dataframe.values …