训练误差会降低模型的准确率，产生欠拟合，此时如何提升模型拟合度（）
A: 增加数据量
B: 特征工程
C: 减少正则化参数
D: 增加特征
A: 增加数据量
B: 特征工程
C: 减少正则化参数
D: 增加特征
举一反三
- 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
- 以下属于解决模型欠拟合的方法的是 A: 增加训练数据量 B: 对模型进行裁剪 C: 增加训练过程的迭代次数 D: 正则化
- 缩小训练误差与测试误差间的差距会产生过拟合，该如何防止过拟合（） A: 交叉验证 B: 集成方法 C: 增加正则化 D: 特征工程
- 训练分类机器学习模型时需要避免过拟合和欠拟合的问题，关于这些问题以下说法错误的是（） A: 复杂的模型时容易发生欠拟合问题 B: 神经网络不会出现过拟合问题 C: 正则化方法可以减少过拟合问题 D: 增加数据量不能减少过拟合问题
- 以下哪些方法可以减少过拟合（ ） A: 降低模型复杂度 B: 使用集成学习方法 C: 正则化 D: 增加更多数据