从理论上讲，在一个完美的场景中，训练和测试数据都准确地代表了你的问题的分布。因此，在理想情况下，训练和测试在准确性上不应有任何显着差异。当您拥有大量数据时，这变得越来越真实。

5%的差异是完全没问题的。在实践中，训练准确率略高于测试准确率是很常见的。我会说差异可能不是最好的指标。你应该看的是相关性。这意味着，只要训练和测试的准确性以相似的速度一起提高，无论它们相距多远，你都是清楚的。您可以通过对越来越大的数据子集进行训练和评估来调查这一点。理想情况下，随着您添加数据，训练和测试都应该得到改善。如果测试数据开始减少，则表示过度拟合。

5%的差异是可以的。尝试使用交叉验证并以平均精度进行验证。

根据经验，执行 k-cv k=10 的良好设置在目标属性上对数据集进行分层。

另外请尝试查看您的数据集是否平衡。