这取决于使用的网络以及馈送机制，但让我们举个例子；

使用 LSTM 时，除了时间序列数据（来自特征）之外，还提供时间数据（作为整数序列）可以显着提高网络的性能。

[$X_{0}$,$X_{1}$, ...]$\rightarrow$[[$X_{0}$,$t_{0}$],$[X_{1}$,$t_{1}$]，……]

如果你去寻找kaggle比赛获胜者的笔记本，他们也会根据特色数据创建额外的功能。

让我们假设这三个特征的性能已经相当高，以便您可以高可靠性地预测这三个特征。如果您想预测额外的特征，增加特征的数量才有意义！

与 3 个特征的优化相比，10 个特征的优化会收敛得更慢。

假设我总共有 10 个功能。假设我只使用 3 个特性开始优化过程。添加剩下的 7 个可以提高模型的性能（您可以假设，这可能已经相当高了）。

答案可能是否定的。

• 当分成三个和七个特征组时，收敛到基本事实（用于指导优化过程的形式化目标）的准确性和可靠性可能比保留为十个组时更好或更差。
• 除非在极少数情况下，结果不会相同。相同结果的可能性是如此之低，它可能永远不会在下个世纪发生在世界上，除非条件只是为了使其发生而安排的。

那么为什么可能方法对结果的维度进行分组并收敛于轴组，然后是另一个，然后是另一个，然后又回到第一个，迭代直到达到收敛目标？这种方法用于减少用于达到最优的时间和计算资源。随着问题复杂性的增加，以这种方式使用分组更为普遍。