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
A: 泛化
B: 鲁棒性
C: 欠拟合
D: 过拟合
C
举一反三
- 过拟合模型的特点有： A: 训练误差小 B: 训练误差大 C: 泛化误差小 D: 泛化误差大
- 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
- 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
- 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
内容
- 0
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。（ ）
- 1
关于过拟合的说法,正确的是( )。 A: 指模型学习能力不足 B: 会使得模型泛化能力高 C: 会强化欠拟合 D: 可以通过正则化方法改善
- 2
关于过拟合的说法，正确的是（）。 A: 指模型学习不足 B: 会强化欠拟合 C: 可以通过交叉验证改善 D: 会使得模型泛化能力高
- 3
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）
- 4
因为样本数量太少得不到理想的数学模型，这会造成（）现象。 A: 无法建模 B: 过拟合 C: 模型出错 D: 欠拟合