我发现最好在交叉验证方面提出我的问题。它是这样的：

假设一个二元分类问题，针对某个学习算法应用了交叉验证。假设CV 训练误差和CV 测试误差均达到 90% 的准确率，表明拟合良好。由于这种性能对于我们的问题是可以接受的，因此我们将训练和验证集组合成最终的完整数据集，并训练最终模型。对于最终数据集，只有训练错误可用，假设我们的示例为 92%。

现在，对于问题：知道最终模型已达到 92% 的准确率，将 8% 的错误分类示例保留在最终数据集中是否有任何目的？既然这些例子是无法学习的，为什么不把它们去掉，只用 92% 的可学习数据重新训练最终模型呢？

笔记

• 据我所知，上述示例中删除 8% 并不是建模的标准做法。然而，我想知道保留没有学过的例子有什么价值。
• 为了完成，假设还有另一个独立的测试集来评估最终模型。