不，这几乎从来不是问题。首先，存在测量误差——即使是物理学家也能解释这一点，而我们其他人很少能像他们一样幸运地进行精确测量。其次，您正在处理采样数据，因此由于采样而存在错误。最后，我们在数据中存在各种偏差和噪声。最后，我们通常远没有精确的数据，所以我们不需要比数据本身更精确的算法。

不仅如此，还有研究表明，您可以在不降低性能的情况下以低（8 位、2 位）精度训练神经网络。一些人认为这甚至可能产生正则化效果。它可能在某种程度上可以扩展到其他模型。

是的，精度可能在多个方面存在问题。首先，回归本身通常接近一个平坦区域，例如抛物线的底部，回归的最小损失函数位于该区域。这通常会使损失函数中有效数字的数量减半，并且可能会降低模型任何参数的精度甚至更多。其次，为了计算一些超越函数，计算过程本身可能需要比该过程完成时函数值更高的精度。见https://blogs.ubc.ca/infiniteseriesmodule/units/unit-3-power-series/taylor-series/maclaurin-expansion-of-sinx/例如，看看 sin(x) 的级数展开的中间项如何在 sin(12 弧度) 收敛之前达到较大的幅度

这表明虽然 sin(x) 上下界为$\pm1$, 个别项有时是$\pm20000$，所以如果我们不小心，这些项的绝对误差可能大于 1。现在确实可以转换该请求，而不是取 12 的正弦，以便在主体区域中执行计算正弦，其精度问题得到缓解（但未消除），然而，这里的要点是，为了保证函数的任何特定精度，计算期间可能需要比产生该函数答案时返回的精度更高的精度。

编辑：额外的 OP 编辑​​问题是四倍精度是否足够。正确的答案是有时。要查看需要什么精度，需要进行某种类型的误差传播分析。另见不确定性的传播和delta 方法。如果您知道那是什么，那将告诉您拟合功能需要什么精度。然后必须考虑回归期间使用的损失函数的精度损失，大多数软件允许您指定它是什么。然后应该增加数据计算精度，以包括功能精度损失和回归精度损失。

在上面的正弦示例中，可以找到低精度下的最大绝对项幅度，我们称之为 $\Delta$，然后将精度设置为$D+\log_{10}(\Delta)$， 在哪里$D$是所需的精度，然后才以更高的精度计算每个项值以供以后求和。一些软件例程在求和过程中自动增加精度，而另一些则不会，如果不是，那么来自求和的误差传播将被添加到精度请求中$\sin(x)$.

最后一个建议。计算哪个问题需要什么精度可能是令人生畏的，并且在某些情况下，算法没有很好地表征，例如，一些机器学习例程，是无法合理实现的。在这种情况下，可以通过提高精度来启发式地进行，直到它不再对答案中所需的精度产生影响。但是，如果结果证明有效数字的数量比没有进行此类测试的人猜测的要多，请不要感到惊讶。