如果一味的去提高训练数据的预测能力，所选模型的复杂度往往会很高，这种现象称为过拟合。所表现的就是模型训练时候的误差很小，但在测试的时候误差很大。（ ）
举一反三
- 在机器学习中，如果一味的去提高训练数据的预测能力，所选模型的复杂度往往会很高，这种现象称为过拟合。所表现的就是模型训练时候的误差很小，但在测试的时候误差很大，对于产生这种现象以下说法正确的是（ ）。 A: 模型太复杂 B: 模型太简单 C: 样本数量过多 D: 样本数量太少
- 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
- 关于过拟合说法不正确的是 A: 如果一味追求提高对训练数据的预侧能力，所选模型的复杂度则往往会比真模型更高。 B: 过拟合是指学习时选择的模型所包含的参数过多，以致于出现该模型对己知数据预测得很好，但对未知数据预测很差的现象 C: 对训练数据的预侧能力较高，模型的复杂度一定较高 D: 解决过拟合现象的一种方法是正则化
- 如果模型学习的特征很少，容易造成训练误差很大，这种现象称为______。 A: 泛化 B: 鲁棒性 C: 欠拟合 D: 过拟合
- 在机器学习中，如果数据较少，同时采用的模型较复杂，得到的模型在给定的训练集上误差非常小，接近于0，但是在训练集之外的数据上预测效果很差，这种现象称为（ ）。 A: 欠拟合 B: 过拟合 C: 损失函数 D: 经验风险