如果您使用两个隐藏层，则可能意味着您的数据不是线性可分的。如果您只在单个隐藏层中使用一个单元，那么您可以声称您的数据是线性可分的，在您的情况下，您可能会说存在一个线性分离数据的超平面。

作为你的问题的答案，是的。可以通过在当前架构中添加层或添加额外单元来减少错误量，但有一些点需要考虑。

• 每当您添加更多层时，都会出现梯度消失和爆炸，这可能会导致您的网络无法学习，或者学习可能发生得如此缓慢。为避免，您应该使用ReLU激活以避免梯度饱和。此外，您必须使用He或Xavier初始化技术来避免随机权重不好。还有其他解决此问题的技术称为跳过连接，但至少我从未见过在MLPs 中使用它们，尽管它们确实有助于解决上述问题。
• 协变量偏移是学习更深层的问题。作为一种解决方案，您必须使用批量标准化以某种方式标准化更深层的激活。
• 过度拟合是在没有提供足够训练数据的大型架构中发生的问题。您应该使用正则化技术。关于这方面的论文有很多，但在您使用的情况下，MLP我强烈建议您使用由所谓的深度学习之父发明的 Dropout 技术。