问所有的分类模型在理论上和理想场景中的表现都是相似的吗？

EN

首先，这种理想的场景是有缺陷的，因为如果有无限数量的标签数据，并且有无限的时间可用，那么构建一个分类器就没有意义了:对于任何输入实例，人们迟早都可以在标记的数据中找到它的真正标签。

这个问题中的第二个问题是关于使ML模型有用的常见混淆:它的泛化能力。ML模型的目标不是对每个实例尽可能精确，而是提取所有实例的通用模式。这意味着简化数据，即忽略细微的变化，以便集中注意大趋势。一个没有泛化的模型是一个简单的实例集合，它没有真正了解任何东西。

这有什么关系？因为一个模型越复杂，它的泛化性就越小。例如，具有无限深度且没有最小实例数的决策树成为实例的集合。它仍然可以预测一个新的实例，但是它很可能会比一棵减少的树更适合并产生更多的错误。因此，如果将模型推向其最大的细节水平，那么在某一时刻，它的性能就会开始下降。

在某种程度上，人们可以将ML培训看作是在表示细节和泛化之间找到最佳平衡。不同类型的模型以不同的方式做到这一点，所以我认为不可能有任何理想的条件让它们都执行相同的操作。