其实你这个问题就是个伪命题，如果我们刻意的去在训练集上拟合模型，使其准确率达到很高的高度，或者说尽量在验证集合上表现的好，都是相悖的

因为我们不能为了某一特定数据集来刻意拟合，因为模型预测数据是不一定就在这个训练或者验证集合的空间中

还有，如果这个model预测集合acc20%  训练集合acc19% ，那么这个模型肯定是不好的。

那么如何选取一个较为理想的medel？

首先，要有一个期望的准确率，通过不同模型的实验，找到最能接近的；

然后，选定模型后进行参数调优；

那么我们要尽可能的提高model的准确率，同时提高其泛化的能力，不能单一看某一指标，此时可参考 准确率、召回率、虚警率、F1Score等指标综合评判。或者采用多重验证随机划分训练、预测、验证集合，多次随机后找到最优参数。

有时候训练集合误差很低，但是泛化能力极差，产生过拟合，

有时候验证集合误差很低，但是可能验证集合无法代表所有的样本，有特殊性或者其他异常点较多

所以模型问题不能单一从你这两点来评判。

还有一点需要注意，就是千万不能为了拟合测试集合而去更改模型，测试集合应该每次都有不同。

一般而言，训练集loss < 验证集loss <测试集loss。

因为网络 [已见过] 所有训练集samples，故最低。而网络用验证集作为反馈来调节参数，相当于参考了验证集samples中的信息（间接 [已见过]）。又因为网络没有任何测试集的信息，所以测试结果一般而言最差。

不过这都不是绝对的，有不符合这个一般现象的task，而我们不可以说哪种情况更“好”。

一个好的网络，二者的差距应该是很低的。但一般情况下因为网络不可避免地存在一定程度上的过拟合，所以肯定是train_loss低于test_lost，但如果低太多，就得考虑是过拟合的问题还是因为样本的特征空间不统一的问题。

多数情况验证集上错误率更低一点。因为是选择在验证集上准确率最高的模型来进行测试。考虑到数据的随机性，在验证集上准确率最高的模型在测试集上不一定是最高的，所以算出来的指标通常验证集会比测试集上好一点。

但是实际情况下都有可能，特别是数据量不太大的时候。样本集合的数据也只是近似整体的分布，肯定会有波动。