如果一个模型在训练集上正确率为99%，测试集上正确率为60%。我们应该怎么做（）。
A: 加入正则化项
B: 增加训练样本数量
C: 增加模型复杂度
D: 减少模型复杂度
A: 加入正则化项
B: 增加训练样本数量
C: 增加模型复杂度
D: 减少模型复杂度
A,A,A,B,D
举一反三
- 如果一个模型在训练集上正确率为99%，测试集上正确率为60%，则下面哪种处理方法是错误的？（ ） A: 增加模型复杂度 B: 加入正则化项 C: 减少模型复杂度 D: 增加训练样本数量
- 点击率预测是一个正负样本不平衡问题（例如 99% 的没有点击，只有 1% 点击）。假如在这个非平衡的数据集上建立一个模型，得到训练样本的正确率是 99%，模型正确率很高，不需要优化模型了
- 关于训练集和测试集的划分,下面比较好的做法是: A: 将手头上所有的数据拿来训练模型,预测结果正确率最高的模型就是我们所要选的模型 B: 将所有数据中的前百分之80拿来训练模型,剩下的百分之20作为测试集,测试集预测结果正确率最高的模型就是我们所要选的模型 C: 将所有数据先随机打乱顺序,百分之80用来训练模型,剩下的百分之20作为测试集,测试集预测结果正确率最高的模型就是我们所要选的模型 D: 将所有数据先随机打乱顺序,平均分成5份,轮流拿出其中1份作为测试集,其余的4份做为训练集,各次测试集预测的正确率求均值,正确率均值最高的模型就是我们所要选的模型
- 避免欠拟合的方法是 A: 模型复杂度过低,不能很好的拟合所有的数据,训练误差大 B: 增加模型复杂度,如采用高阶模型(预测)或者引入更多特征(分类)等 C: 模型复杂度过高,训练数据过少,训练误差小,测试误差大 D: 降低模型复杂度,如加上正则惩罚项,如L1,L4,增加训练数据等
- 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。
内容
- 0
下面哪句话是正确的（ ）选项：A:机器学习模型的精准度越高，则模型的性能越好B:增加模型的复杂度，总能减小测试样本误差C:增加模型的复杂度，总能减小训练样本误差D:其余 A: 机器学习模型的精准度越高，则模型的性能越好 B: 增加模型的复杂度，总能减小测试样本误差 C: 增加模型的复杂度，总能减小训练样本误差 D: 其余选项说法都不对
- 1
以下哪些是可能导致模型过拟合的原因（ ）。 A: 模型学习到了样本的一般性质 B: 学习迭代次数过多 C: 训练集数量级和模型复杂度不匹配，训练集的数量级小于模型的复杂度 D: 训练集和测试集特征分布不一致
- 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
如果在大型数据集上训练决策树。为了花费更少的时间来训练这个模型,下列哪种做法是正确的( ) A: 增加树的深度 B: 增加学习率 C: 减少树的深度 D: 减少树的数量
- 4
如果在大型数据集上训练决策树。为了花费更少的时间来训练这个模型，下列做法正确的是 A: 增加学习率 B: 增加树的深度 C: 减小树的深度 D: 减少树的数量