数据质量直接影响深度学习性能，因为模型直接从用于训练的数据中学习模式。低质量数据会引入噪声、不一致或偏差，模型会无意中学习到这些问题，从而导致预测不可靠。例如，如果图像分类数据集中包含错误标注的样本（例如，一张猫的照片被标注为狗），模型将难以区分这两个类别。同样，表格数据中的缺失值（例如，带有空缺的传感器读数）可能会迫使模型在训练期间做出不正确的假设。即使是类别不平衡（即某一类别代表性不足）等细微问题，也可能导致模型预测偏向多数类别，从而降低其对现实场景的泛化能力。本质上，模型的输出只与其训练数据一样可靠。
数据质量与数量之间的关系也至关重要。虽然较大的数据集通常能提高性能，但这前提是数据具有代表性且经过精心整理。例如，一个用 10,000 小时音频训练的语音识别模型，如果录音以单一方言为主或包含背景噪声，其性能可能会很差。相反，一个包含干净、多样化样本（例如，平衡的方言和无噪声录音）的较小数据集可以产生更好的结果。数据质量还影响模型对边缘情况的适应能力。一个主要使用晴天驾驶视频训练的自动驾驶汽车系统，如果训练数据中缺少足够的雨天示例，则在雨天条件下可能会失效。这表明质量不仅仅关乎正确性，还关乎覆盖范围和与问题领域的关联性。
解决数据质量问题需要精心的预处理和验证。数据增强（例如，旋转图像以增加多样性）或合成数据生成等技术可以缓解类别不平衡等问题。对于嘈杂的标签，可以使用共识标注（使用多个标注员）或自动离群值检测（例如，通过聚类识别错误标注的样本）等方法来提高可靠性。Pandas 等用于数据分析的工具或 TensorFlow Data Validation 等框架可帮助开发者及早发现异常。然而，没有一刀切的解决方案：医学影像模型可能优先消除错误标注的肿瘤样本，而推荐系统可能侧重于减少用户交互数据中的偏差。最终，投入时间清理、平衡和验证数据，将在模型准确性、鲁棒性和可信度方面带来回报——这些是在生产系统中部署模型的关键因素。