Machine learning 没有任何隐藏层的模型显示98%的准确率。为什么？

我已经建立了两个模型，一个是没有任何隐藏层，我在输出使用softmax。另一个是一个隐藏层，在隐藏层中我使用了sigmoid作为激活函数。我原以为只有一个隐藏层的模型会有更好的性能，但我在两个模型中都得到了几乎相同的性能。我想知道为什么没有任何隐藏层的模型显示出如此高的性能？在这两种情况下，我都使用了大量数据来训练网络。 这是模型中没有任何隐藏层的部分。有人能告诉我为什么它显示出如此高的精确度吗。在文学作品中，我读到更深层次的网络更具表现力

`step: 4400, train_acc: 0.99, test_acc: 0.996
step: 4500, train_acc: 1.0, test_acc: 0.996
step: 4600, train_acc: 1.0, test_acc: 0.998
step: 4700, train_acc: 0.99, test_acc: 0.998
step: 4800, train_acc: 1.0,test_acc: 1.0
step: 4900, train_acc: 0.99,test_acc: 0.996`

---

似乎您的数据集是线性可分离的，这意味着如果不是100%，线性分类器可以用于在训练集上获得良好的精度。对于线性可分问题，只需要一个神经元就可以找到决策边界。在每一层中添加更多层和更多神经元，并使用非线性激活函数，只是为了针对更复杂的模式生成更复杂的分类器。

---

结论：如果你能获得尽可能高的准确度，你期望一个更复杂的网络能提供什么呢？当然是计算成本。

没有免费午餐定理？非常简单的数据？很抱歉，我没有明白你的意思？我正在处理一个分类问题。我必须把它分成两类，我使用的是完全连接的网络。我是机器学习领域的新手。我很惊讶为什么两个网络的性能都达到了98%，但这不是一个编程问题。