下列哪一种情况被称为过学习现象:
A: 在训练集上A优于B,在测试集上A也优于B
B: 在训练集上A优于B,在测试集上B优于A
C: 相对于分类数据集,决策树过于简单
D: 在训练集上决策树的误差很小
A: 在训练集上A优于B,在测试集上A也优于B
B: 在训练集上A优于B,在测试集上B优于A
C: 相对于分类数据集,决策树过于简单
D: 在训练集上决策树的误差很小
B
举一反三
- 过拟合是指( )。 A: 在训练集表现非常好,但在测试集上表现很差 B: 在训练集表现非常好,但在测试集上表现也非常好 C: 在训练集表现非常差,但在测试集上表现也差 D: 在训练集表现非常差,但在测试集上表现非常好
- 一种典型的机器学习方法的设计分类器的过程包括:所使用的数据集被划分为训练集和测试集,在训练集上训练分类器,然后在测试集上评价分类器的性能。 A: 正确 B: 错误
- 过拟合在训练集上效果好,在测试集上效果差( )
- 通常来说,我们构建模型,使其在训练集上能够做出准确预测,如果训练集和测试集足够相似,我们预计模型在测试集上也能做出准确预测。
- 有监督学习一般分成两个阶段,在训练集上进行模型的学习,在测试集上测试模型的性能
内容
- 0
在模型训练的时候为什么要将数据集拆分成训练集和测试集?( ) A: 测试集与训练集数据不能有重复.防止过拟合 B: 需要划分测试集数据用来调参 C: 数据集太多.训练模型用不了这么多数据
- 1
学习器在( )上的误差称为“训练误差”或“经验误差”。 A: 训练集 B: 新样本
- 2
如果一个训练模型在测试集上精度达到100%,那么在另一个测试集上精度不一定能达到100%。 A: 正确 B: 错误
- 3
学习器在训练集上的误差称为“训练误差”或(),在新样本上的误差称为“泛化误差”
- 4
如果一个训练模型在测试集上精度达到100%,那么在另一个测试集精度上也能达到100%