数据科学时代,常常需要利用数据集训练学习算法来完成相关任务。其中,训练使用的数据集往往需要我们前瞻性的进行收集,如果想要模型对不太常见的数据也具有良好的效果,数据集必须包含足够的与这些数据相似的例子。训练数据集对待预测数据的覆盖不足往往会导致预测的不准确,为了提前预见到这些不准确性,本文提出了一种评估多维类别型属性数据集对待预测数据的覆盖程度的方法。本文面向评估数据集对待预测数据覆盖程度这一课题,提出了数据集对待预测数据的覆盖程度取决于数据集中与待预测数据相似数据的数量,并使用模式来表征一类相似的数据,进而提出使用多个模式从多个角度观察数据集中与待预测数据相似数据的数量。在此基础上,本文评估训练数据集对待预测数据覆盖情况的过程分为四个步骤。（1）文章首先介绍了如何从待预测数据中抽取合适的模式集合作为观察待预测数据的不同角度。（2）然后提出使用深度自回归模型而不是复杂的全表扫描来对模式的覆盖度进行快速预测,并在三个数据集上实验验证了深度自回归模型的准确性和运行时间上的优越性。（3）之后本文提出使用一种启发式的方法来确定模式的覆盖度阈值,阈值用来判断单个模式是否得到了充分覆盖。而对于待预测数据整体的覆盖情况,则由多模式的结果投票得出。（4）最后,对于覆盖度不足的待预测数据,本文提出使用一种树搜索的方法来找到导致待预测数据覆盖度不足的原因,并建议针对性的补足增强。本文在三个不同大小的真实数据集上作出覆盖度评估实验,并分别取得了最好0.8,0.78和0.57的准确率,同时运行速度也平均只需要8毫秒,取得了良好的效果。