从理论上讲，当然可以达到完美的性能：如果算法可以在特征中找到它需要的东西来正确区分类（或集群），那么它将完美地执行。

然而，在现实中，完美的表现是非常罕见的，因为：

• 文本数据嘈杂且极其多样化
• 大多数时候，当有一种方法可以获得完美的性能时，还有一种简单的启发式方法可以比使用 ML 更有效地完成相同的工作。基本上使用 ML 正是因为任务很艰巨和/或数据很复杂，所以出现错误也就不足为奇了。

就您的问题而言，我注意到您的数据有标签，但您使用的是无监督的主题建模方法，对吗？如果是这种情况，您可能想尝试使用监督方法，因为系统将有更多线索来找到正确答案。您还使用准确性进行评估，所以要小心：准确性可能会产生误导，因为它没有提供有关不同类别的任何细节。

我想说的是，即使在理论上，您实际上也无法在统计上达到 100.00% 的准确度，但您可以非常接近。但是，您离得太近可能意味着您的过度拟合。这是因为在任何具有超过 2 个独立或同分布的预测变量的系统中，您不能在统计上绝对零不确定性（见脚注）。

• 首先是一个反事实的例子： 不确定性原理说物理学中的不确定性永远不会为零，它的 hbar/2 。该链接虽然纠正了对这一量子力学定律的普遍误解。不确定性原理不仅仅是自然界或现实中的某种东西，而是关于物理学中任何多元模型的硬派统计数据。因此，不确定性不仅适用于实际现实，也适用于任何理论数学。（我会让人们比我更聪明地介绍物理学中不确定性的含义。
• 比物理学更广泛：你知道文本挖掘和信息论有一个想法，我一直觉得有点奇怪地叫做“熵”。现在我不是文本挖掘专家，但似乎很多人将熵比作一种不确定性，而不仅仅是获得的信息。（我个人认为他们只是将其称为不确定性，因为物理学中的熵和不确定性不是一回事）
• 那么文本挖掘中是否存在不确定性原理？ ：答案是肯定的，实际上信息论中的“熵”或不确定性是有限制的

因此，对于您的数据是文本，您的准确性受到以下事实的限制. 不过，请阅读链接以获取更多详细信息。

脚注：我敢说任何像 y = m*x 这样的单变量模型或算法也不能有 100% 的准确度，但我无法在数学上证明这一点（我将留给比我聪明的人来证明这种情况）。不过，证明任何具有 y = x1 + x2 + … 的模型不能有 100% 的准确度是很容易的。