Mudeli otsus sõltub suurest hulgast treeningandmetest ja seetõttu ei ole seda võimalik siduda sisendtunnustega

Mudel sisaldab palju parameetreid, mis teeb arvutused ajamahukaks ja seetõttu raskesti jälgitavaks

Mudeli otsus kujuneb mitme kihi lineaarse kombinatsioonina ja on seetõttu raskesti seletatav

Sisend ja väljund on teada, kuid otsus kujuneb mitme mittelineaarse kihi kaudu ja selle kujunemist on raske jälgida

Kulufunktsioon sõltub tugevalt andmete kvaliteedist, mistõttu ei saa seda usaldusväärselt minimeerida

Suure mudeli korral muutub treeningviga väga väikeseks, mis teeb optimeerimise keeruliseks

Kulufunktsioon on mittelineaarne ja kõrgedimensiooniline, sisaldades lokaalseid miinimume ja sadulapunkte

Närvivõrgud kasutavad palju parameetreid, mistõttu ei saa neid gradientmeetoditega optimeerida

Madala kvaliteediga andmete korral õpib mudel lihtsamaid mustreid ja jätab keerukamad mustrid õppimata

Madala kvaliteediga andmete mõju saab eemaldada, kui kasutada suuremat närvivõrku

Madala kvaliteediga andmete korral ei saa mudel treeningu käigus andmetest mustreid õppida.

Mudel õpib mustrid otse andmetest, seega kanduvad ka vead ja mürased seosed mudeli ennustustesse

Suur treeningviga ja suur testviga, sest mudel ei suutnud andmetes olevaid seoseid õppida

Väga väike treeningviga ja suur testviga, sest mudel on õppinud lisaks mustritele ka müra

Väike treeningviga ja väike testviga, sest mudel on õppinud andmetes esinevad mustrid

Väike treeningviga ja suur testviga, sest testandmete ja treeningandmete jaotus erineb

Piisava arvu neuronitega võrk leiab treenimise käigus andmete põhjal optimaalse lahenduse

Mitme kihiga tehisnärvivõrk suudab esitada keerukaid funktsioone ja seetõttu üldistub paremini uutele andmetele

Ühe varjatud kihiga tehisnärvivõrk suudab täpselt esitada suvalist funktsiooni

Piisava arvu neuronitega võrk suudab lähendada suvalist pidevat funktsiooni suvalise täpsusega.