从数据层面上， 能够影响模型性能的有二个因素：
数据集的质量
数据增强
数据质量：数据应该是准确，完整，无误，且具有代表性。如果数据集有错误或缺失，将会影响模型的性能， 选择分辨率越高肯定对模型是越好的，但是也要考虑到模型训练占用的内存够不够，因为分辨率越高，数据量就越大数据量：更多的数据通常可以提高模型的性能，因为它使得模型更具有代表性和泛化能力。但是，数据集的大小也会影响训练时间和资源要求。 但对模型训练收敛来说，数据量大小对于模型收敛没有决定性的影响，只能说数据量越大，同时数据多样性分布性很好，模型是一定会泛化数据预处理：在选择数据集之前，需要了解数据的特性并进行预处理。例如，对于图像分类问题，可能需要对图像进行缩放或裁剪，或者将像素值标准化到[0,1]范围内。数据来源：应该选择可靠的数据来源。一些数据集可能来自于不可靠的或不真实的来源，这可能会导致模型的性能下降。数据分割：在选择数据集时，应该将数据分成训练集，验证集和测试集。这样可以用来评估模型的泛化能力和性能。数据标注：在某些任务中，需要对数据进行标注，以便训练模型。这可能需要大量的人工劳动力和时间成本。
机器学习最明显的一个特点是需要大量的数据。特别对监督学习来说，就是需要大量的带标签数据。
很多入门的朋友很快就会遇见模型训练和测试这两个阶段，进而也就了解到带标签数据是要被划分成两个部分的：训练集与测试集。这两个概念也很直观，大部分朋友非常快就能接受。可是到后面，在我们需要为机器学习模型调参的时候，半路杀出来了个交叉验证阶段，这个对应的数据集也有个名字，叫做验证集。
先用一个不恰当的比喻来说明3种数据集之间的关系：
训练集相当于上课学知识
验证集相当于课后的的练习题，用来纠正和强化学到的知识
测试集相当于期末考试，用来最终评估学习效果
数据划分的方法并没有明确的规定，不过可以参考3个原则：
对于小规模样本集（几万量级），常用的分配比例是 60% 训练集、20% 验证集、20% 测试集。
对于大规模样本集（百万级以上），只要验证集和测试集的数量足够即可，例如有 100w 条数据，那么留 1w 验证集，1w 测试集即可。1000w 的数据，同样留 1w 验证集和 1w 测试集。
超参数越少，或者超参数很容易调整，那么可以减少验证集的比例，更多的分配给训练集。
而在教育领域需要的题库数据包括但不限于以下几种：
题目类型：选择题、填空题、解答题等。
题目难度：根据学生年级、能力等因素进行分类。
题目知识点：按照学科、章节、知识点进行分类，方便学生查找和练习。
题目来源：可以是教材、考试、竞赛等。
题目解析：提供详细的答案解析，帮助学生理解做题思路和方法。
题目数量：越多越好，可以满足不同学生的需求。
