如果您想识别和删除有问题的数据，那么最好在训练之前完成。

您的方法可能有一些运气，但您不能保证神经网络会帮助您根据错误值隔离问题条目，如果它同时接受了“好”和“坏”条目的训练。这取决于问题数据的性质。您冒着极大的风险，模型将与问题数据拟合得足够好，从而导致您拒绝好的数据。

相反，您应该尝试想一种方法来更直接地识别不良数据，并且在训练预测任务之前。

这里有一个想法：您是否能够手动识别足够的好数据和坏数据 - 足以训练和测试分类器？然后将一些数据标记为“好”或“坏”，训练分类器并对其进行测试 - 测试应该在一些保留的标记值上进行，以帮助您评估准确性。如果您的分类器具有良好的准确率，您可以有一定的信心使用它来过滤剩余的数据，并且仅将“良好”的分类数据用于您的原始训练目标。