训练数据测试使用整个数据集进行训练，然后进行测试。这种方法实际上总是给出错误的结果。

所以，是的，在这种情况下，模型是在同一个数据集上学习和测试的。在大多数情况下，以这种方式学习的模型会过度拟合，并且在看不见的数据（例如，您的测试数据集）上表现不佳。

对测试数据进行测试：上述方法仅使用来自 Data 信号的数据。要输入带有测试示例的另一个数据集（例如来自另一个文件或在另一个小部件中选择的某些数据），我们在通信通道中选择分离测试数据信号并选择测试数据测试。

所以，第二个问题的答案也是“是的”：模型是Training在你的图表中标记的数据上训练的，然后在Testing数据上进行测试。数据的“质量”及其在训练和测试集中的分割方式将影响模型的性能。

关于“测试和分数”的橙色文档：

对火车数据进行测试会给您带来很好的结果，但是在针对现实进行测试时，大多数情况下它会失败，因为对火车数据的测试会对火车数据本身进行测试并导致过度拟合。

您不应该依赖对火车数据的测试。为了使您的模型对看不见的数据具有鲁棒性，我建议使用交叉验证技术，例如 k-fold。它将大部分方差合并到您的模型中，因此实际上，模型能够按预期预测结果。与对训练数据的测试相比，准确性会略微降低，但它会使模型更加健壮和稳定。