可能是特征选择不当、模型复杂度不够或者训练数据量不足导致的，需要进一步分析数据和调整模型参数。

问题：在ModelScope中，按参数设定，自有数据集有八百多条，训练两轮，自有特征没有学到，是什么问题？

解答：

1、数据集规模不足：自有数据集只有八百多条数据，相对于模型的参数量来说可能不够充分，模型需要更多的数据来学习到有效的特征表示，可以尝试增加数据集的大小，例如通过数据增强、合成数据等方法扩充数据集。

2、模型复杂度不足：自有数据集的特征可能较为复杂，而当前的模型可能过于简单，无法捕捉到这些特征，可以尝试使用更复杂的模型结构，例如增加网络层数、引入更多的隐藏层等。

3、学习率设置不合适：学习率过大可能导致模型无法收敛，学习率过小可能导致模型收敛速度过慢，可以尝试调整学习率的大小，以找到合适的学习率范围。

4、训练轮数不足：只进行了两轮训练可能不足以让模型充分学习到特征，可以尝试增加训练轮数，或者使用更先进的优化算法和正则化技术来提高模型的泛化能力。

相关问题与解答：

问题1：如何判断自有数据集是否足够大？

解答：可以通过计算数据集的样本数量与模型参数量的比值来判断数据集是否足够大，数据集的样本数量应该大于模型参数量的十倍以上才能较好地训练模型。

问题2：如何选择合适的模型复杂度？

解答：选择合适的模型复杂度需要考虑多个因素，包括数据集的规模、特征的复杂程度以及可用的计算资源等，可以尝试使用不同的模型结构进行实验，并比较它们在验证集上的性能表现，选择性能最好的模型作为最终选择。