-
在精确神经网络的情况下，增加
测试案例训练数据的数量是否可能会导致问题（例如过拟合）..？ -
增加
测试案例训练数据的数量总是好的吗？这是否总是会导致转换？ -
如果不是，哪些情况会这样.. 举个例子会更好..
谢谢，
回答：
当你说“测试案例”时，我假设你指的是数据实例。
让我们看看几种情景：
各向异性
假设你有一个包含1000个实例的训练数据集，这些实例彼此之间非常相似，但你的验证数据集中的实例与你的训练数据显著不同。例如，你有一个问题试图估计函数y = mx + b。
假设你的数据集中有一些样本帮助你估计m，另一些帮助你估计b。如果你提供给神经网络1000个帮助你估计b的样本，但只有5个帮助你估计m的样本，那么当涉及到估计m时，你的神经网络表现将非常差。你将过拟合你的神经网络，增加更多帮助你估计b的样本将没有任何帮助。
各向同性
现在假设你的数据集中有数据实例的比例分布（注意我没有说相等）… 你希望它们是成比例的，因为你可能需要更多的数据实例来估计m，而不是估计b。现在你的数据相对同质，增加更多的样本将为你提供更多机会，帮助你更好地估计函数。对于y = mx + b，你技术上可以有无限数量的数据实例（因为这条线在两个方向上都是无限的），这可能会有所帮助，但存在收益递减的点。
收益递减
以y = mx + b为例，你可以有无限数量的数据实例，但如果你能用1000个实例估计函数，那么再向数据集中添加100,000个数据实例可能没有用。在某个点上，增加更多的实例不会带来更好的适应性，因此出现了收益递减。
现在假设你试图估计一个布尔函数，如XOR：
A B A XOR B1 1 01 0 10 1 10 0 0在这种情况下，你根本无法添加更多数据，添加更多数据也没有意义… 只有四个有效的数据实例，这就是你所有的。在这个例子中，完全没有必要添加更多的数据实例。
结论
一般来说，添加更多数据实例将直接取决于你的问题：有些问题可能会从更多数据实例中受益，而其他问题可能会因此受损。你必须分析你的数据集，你可能需要对数据集进行一些处理，使你的样本更能代表现实世界的数据。你必须研究你试图解决的问题，理解它的领域，理解它拥有的数据样本，并且你必须相应地计划… 在机器学习/人工智能中，没有一刀切的解决方案。
