正如其他人所回答的那样，您应该使用测试集而不做任何更改。但是了解平均准确率和整体准确率之间的差异非常重要。在总体准确度中，您找到平均准确度（正确预测的样本数/样本总数），您可以找到每个类别的总体准确度，然后找到这些总体准确度的平均值。当您知道您正在使用不平衡的数据库时，所有类都很重要，您应该使用平均准确度

要理解这意味着什么：假设您有两个类， A 类和 B 类，比率是 90 比 10 。如果您为训练和测试随机抽样，那么测试集中的比率仍然是 90:10。如果您的模型非常有偏差，即预测所有样本为 A 类，则：总体准确度 = 90% 平均准确度 = 50%（A 类为 100% + B 类为 0%）/2

整体准确率确实很高，但并不能反映模型的实际质量。平均准确度让您更好地了解质量

平衡训练集 + 验证平衡方法的想法是为了能够概括您的模型，该模型将在看不见且不平衡的测试集中更好地区分（在分类分配中）来自少数类的样本。意思是，该模型已经调整了分类边界以考虑少数类代表性不足，您不应该为此调整测试集。

最后，您应该确保两个集合都是随机选择的，因为每个特征的示例的表示比率大致相同