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（under-fitting）
B: 过拟合（over-fitting）
C: 损失函数（loss function）
D: 经验风险（empirical risk）
A: 欠拟合（under-fitting）
B: 过拟合（over-fitting）
C: 损失函数（loss function）
D: 经验风险（empirical risk）
举一反三
- 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
- 如果您的模型在训练数据上表现很好，但在新实例上泛化很差，会发生什么?您如何可能解决这个问题?[br][/br] 选择一个: A: 模型可能会过拟合训练数据，需要使用更复杂的算法。 B: 模型很可能是过拟合训练数据，所以我们应该使用更简单的算法。 C: 模型可能欠拟合训练数据，所以我们应该使用更简单的算法。 D: 模型很可能欠拟合训练数据，所以我们应该使用更复杂的算法。
- 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
- 模型对训练数据拟合好，测试数据拟合差的现象，叫做 A: 欠拟合 B: 过拟合 C: 测试拟合 D: 训练拟合
- 如果一个模型在测试集上偏差很大，方差很小，则说明该模型（） A: 过拟合 B: 可能过拟合可能欠拟合 C: 刚好拟合 D: 欠拟合