@limitlessun 谢谢你的回复。很有帮助。

@limitlessun 我的意思。A，全部用原始数据，B，全部用间接数据 C，原始数据+间接数据混用。会不会出现 A 方案需要 30000 条数据才能训练好模型。而 B 方案数据用 15000 条数据就可以训练好模型？ C 方案用 10000 条数据就可以训练好模型。

或者，并不存在以上必然结论。有可能 A 方案需要的数据量最少。要试了才知道？

@limitlessun 谢谢回复。请问“因为神经网络理论上可以逼近任何函数，所以"间接数据"应该可以被学习到。”---------这会以大量增加训练数据量为代价么？比如获得同样质量的模型需要增加指数级的训练数据量。

@princelai 谢谢指教。多谢

@princelai 单纯以结果判断优劣会不会陷入过拟合的困境？不过也许过拟合跟这个没关系？
我是不是不应该用人的逻辑去推测机器学习的逻辑？

@CopenhagenCat 谢谢你的回复。“没有定论”也是一个很重要的结论：）
关于“ 原始特征和衍生特征，谁更重要得看具体数据场景”有没有涉及这个问题的书或者文章，视频推荐？对数学要求不高的更好。

@princelai 谢谢回复。我对你说的“ 通常特征都是原始特征+交叉特征” 这个特征觉得既陌生又熟悉。看过一些视频。提取特征值什么的好像涉及到线性代数的知识（我记得不太准确）。而在这里“原始数据变成了原始特征。间接数据变成了交叉特征。怎么这么简单？那还用线性代数干什么呢？究竟应该怎么理解“特征”还请指教

@longbye0 明白了。这属于数学理论或机器学习理论或数据挖掘理论的哪个分支？ 或者在上述哪个理论中能找到支持的依据？