Проклятие размерности — это явление, при котором с ростом размерности пространства для обеспечения такой же плотности данных требуется значительно больше примеров. Впервые я столкнулся с этим, когда работал дата сайентистом. Мы полагали, что чем больше признаков у нас будет, тем лучше станет модель. Однако на практике при добавлении нового признака требуется гораздо больше данных для обучения.

Это легко объяснить на примере. Представьте, что вы раскладываете белые и чёрные шарики на прямой (размерность пространства равна 1). Для этого вам понадобится, например, 10 шариков. Если вы решите разложить их на плоскости (размерность 2), то для сохранения той же плотности наблюдений вам потребуется уже 100 шариков. В трёхмерном пространстве их понадобится 1000.

То же самое касается тестирования кода. Если вы хотите написать хорошие юнит тесты, то увеличивая количество входных параметров функции, вы сильно увеличиваете количество кейсов для тестирования. Но больше всего это стреляет, когда вместо юнит тестов вы решаете использовать интеграционные. Для достижения такого же уровня покрытия вам придётся долго ждать, так как количество кейсов, которые нужно проверить, станет огромным.

Поэтому не ленитесь и пишите юнит тесты. Интеграционные тесты немного для другого