我认为您所看到的是正常行为：

只有很少的样本（如 2000 年），模型很容易（过度）拟合数据 - 但它不能很好地概括。所以你得到了很高的训练准确率，但模型可能无法很好地处理新数据（即验证/测试准确率低）。

随着您添加更多样本（如 9000 个），模型变得更难以拟合数据 - 因此您的训练准确度较低，但模型将更好地处理新数据（即验证/测试准确度开始上升）。

所以：

1. 随着训练数据集的增加，训练精度应该会降低，因为更多的数据更难拟合。

2. 随着训练数据集的增加，验证/测试的准确性也应该增加，因为较少的过度拟合意味着更好的泛化。

Andrew Ng 有一个关于学习曲线的视频。请注意，他在 y 轴上绘制了误差，您在 y 轴上具有准确性..所以 y 轴被翻转。

另请看视频的后半部分。它解释了高偏差和高方差问题。

您的模型似乎有很大的差异（由于两条曲线之间的“差距”很大） - 对于您拥有的少量数据来说，它仍然太复杂了。获取更多数据或使用更简单的模型（或在同一模型上进行更多正则化）可能会改善结果。