不，这是不可接受的。重复提供了证据的分量。

如果您删除重复项，四叶草与普通三叶草一样重要，因为每个三叶草都会出现一次，而在现实生活中，每 10,000 颗普通三叶草就有一棵四叶草。

即使您的先验“非常偏斜”，正如您所说，训练集的目的是积累现实生活经验，如果丢失频率信息，您将无法实现。

我同意前面的回答，但这是我的保留意见。建议在分离样本以对特定分类器（例如决策树）进行训练和测试时删除重复项。比如说，你的 20% 的数据属于一个特定的类别，并且$\frac{1}{4}^{th}$渗透到测试中的那些，然后诸如决策树之类的算法将使用重复样本创建通往该类的网关。这可能会在测试集上提供误导性结果，因为本质上存在一个非常特定的通往正确输出的网关。

当您将该分类器部署到全新的数据时，如果没有类似于上述 20% 样本的样本，它的表现可能会非常差。

争论：有人可能会争辩说这种情况指向一个有缺陷的数据集，但我认为这对于现实生活中的应用程序来说是正确的。

删除神经网络、贝叶斯模型等的重复项是不可接受的。