有关决策树过拟合的说法，错误的是？
A: 决策树的训练样本拟合误差小，但检验样本的泛化误差比较大。
B: 可能是决策树的深度变大了
C: 可以使用剪枝的方法减少决策树的复杂度
D: 当出现过拟合时，因为对训练样本的拟合比较好，因此对新样本的预测效果好。
A: 决策树的训练样本拟合误差小，但检验样本的泛化误差比较大。
B: 可能是决策树的深度变大了
C: 可以使用剪枝的方法减少决策树的复杂度
D: 当出现过拟合时，因为对训练样本的拟合比较好，因此对新样本的预测效果好。
D
举一反三
- 有关决策树过拟合的说法，错误的是？ A: 决策树的训练样本拟合误差小，但检验样本的泛化误差比较大。 B: 可能是决策树的深度变大了 C: 可以使用剪枝的方法减少决策树的复杂度 D: 当出现过拟合时，因为对训练样本的拟合比较好，因此对新样本的预测效果好。
- 有关决策树过拟合的说法，错误的是？ A: 决策树的训练样本拟合误差小，但检验样本的泛化误差比较大。 B: 可能是决策树的深度变大了 C: 可以使用剪枝的方法减少决策树的复杂度 D: 当出现过拟合时，因为对训练样本的拟合比较好，因此对新样本的预测效果好。
- 有关决策树过拟合的说法，错误的是？ A: 决策树的训练样本拟合误差小，但检验样本的泛化误差比较大。 B: 可能是决策树的深度变大了 C: 可以使用剪枝的方法减少决策树的复杂度 D: 当出现过拟合时，因为对训练样本的拟合比较好，因此对新样本的预测效果好。
- 下面有关过拟合的认识错误的是？ A: 过拟合是因为训练样本太多了，把训练样本的规律都拟合进去了，因此检测样本的准确率也很高。 B: 减少过拟合的方法可以通过降低决策树的复杂度，例如减少决策树的深度。 C: 判断模型是否过拟合可以看随着训练的增加，学习到的模型准确度高了，但检测样本的准确率下降。 D: 分类算法都可能会遇到过拟合现象。
- 决策树的剪枝是为了防止树的过拟合，增强其泛化能力。包括预剪枝和后剪枝。（ ）
内容
- 0
以下决策树说法错误的是哪个（） A: 决策树的过拟合时因为树的深度比较大引起，因此可以限制分支的最小样本数或控制树的深度解决。 B: 决策树中没有出现的属性是对分类无用的。 C: 相对于神经网络，决策树可解释性好，而且训练效率高。 D: 决策树算法对样本的噪声非常敏感，少数噪声可能引起决策树的很大变化。
- 1
以下有关决策树剪枝正确的说法是（） A: 预剪枝是在节点分枝前确定是否要继续树增长，可以比较分枝前后的准确率确定。 B: 预剪枝可能导致欠拟合，因此要通过训练样本检验确定合适的树深度。 C: C4.5算法可以处理回归问题。 D: C4.5决策树的目标函数是信息增益。
- 2
产生的原因过拟合原因（ ） A: 模型复杂度高 B: 样本数量太少 C: 决策树模型没有剪枝 D: 编程语言选择错误
- 3
决策树剪枝的主要目的是对抗（ ）。 A: 欠拟合 B: 不拟合 C: 算法复杂度 D: 过拟合
- 4
决策树中，先剪枝和后剪枝都可以降低过拟合风险，使决策树的泛化性能提升。