主要风险是欠拟合，在明显不同的数据集上训练的模型将很难预测测试集

为了使预测尽可能准确，训练数据应尽可能代表测试数据。训练数据永远不会完全准确，但应该尽可能接近。通常，实现这一目标的最佳方法是尽可能使用更大的训练集，否则使用随机抽样。

如果存在显着差异，那么最大的风险是模型将欠拟合测试数据并且会给你不准确的预测。

您还可以尝试将训练数据拆分为训练集和验证集，以查看模型在将其应用于您的模型之前是如何工作的，并查看有多大的差异。

您的模型在预测准确性方面会有所偏差（欠拟合测试数据集），但这不是问题，因为您可以收集更多数据并微调您的模型，因为您错过了看不见的预测并且与您训练的结果相去甚远，所以从长远来看，您可以涵盖各种输入。或者，如果您的测试输入总是不可预测的，并且您的类别不平衡（癌症检测示例），则仅在主要类别示例上进行训练，并将任何与您所训练的输入不同的输入标记为主要类别。