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
A: 过拟合
B: 可能过拟合可能欠拟合
C: 刚好拟合
D: 欠拟合
D
举一反三
- 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
- 以下关于过拟合和欠拟合说法正确的是 A: 过拟合一般表现为偏差较大 B: 欠拟合一般表现为方差较大 C: 过拟合可以通过减少变量来缓解 D: 欠拟合可以通过正则化来解决
- 关于过拟合和欠拟合的说法，错误的是() A: 过拟合是指模型可以很好的拟合训练样本,但是对训练样本的预测能力差。 B: 欠拟合是指模型不能很好的拟合训练样本,且对新数据的预测准确性也不好。 C: 可以用Precision、Recall、F1 、判断模型过/欠拟合。 D: 模型的过拟合和欠拟合是无法通过调整参数来改变的。
- 模型欠拟合和过拟合问题都是可以解决的
- 建立回归模型的过程中出现的拟合不佳的情况主要有。 A: 欠拟合 B: 过拟合 C: 强拟合 D: 弱拟合
内容
- 0
如果拟合曲线几乎通过了所有实测数据点，很有可能出现的现象是（ ）。 A: 过拟合。 B: 正常拟合。 C: 欠拟合。 D: 不确定。
- 1
在线性回归模型中，如果数据量较少，容易发生过拟合。如果假设空间较小，容易发生欠拟合。
- 2
如果拟合曲线没有通过大部分的实测数据点，很有可能出现的现象是（ ）。 A: 欠拟合。 B: 不确定。 C: 过拟合。 D: 正常拟合。
- 3
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
- 4
在回归模型中,多项式阶数在权衡欠拟合和过拟合中影响最大。