Вы открываете здесь большую банку с червями, чем вы могли ожидать.
Кстати, NN лучше всего рассматривать как универсальные аппроксиматоры функций, которые могут помочь вам подумать об этом.
В любом случае, в NN нет ничего особенного с точки зрения вашего вопроса, проблема относится к любому алгоритму обучения.
Уверенность, которую вы оказываете в результатах, которые она дает, будет зависеть как от количества, так и от качества (часто труднее определить) имеющихся у вас данных об обучении.
Если вы действительно заинтересованы в этом, вы можете немного прочитать о проблемах перетренированности и методах ансамбля (суммирование, повышение и т. Д.).
Реальная проблема заключается в том, что вы обычно не заинтересованы в «правильности» (качество) ответа на заданный вход, который вы уже видели, скорее, вы заботитесь о прогнозировании качества ответа на входе. ты еще не видел Это гораздо более сложная проблема. Типичные подходы включают в себя «сдерживание» некоторых ваших тренировочных данных (то есть того, за что вы знаете «правильный» ответ) и тестирование вашей обученной системы на это. Это становится едва уловимым, когда вы начинаете считать, что вам может не хватать данных, или это может быть предвзятым, и т.д. Таким образом, есть много исследователей, которые в основном тратят все свое время на размышления о подобных проблемах!