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
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
举一反三
- 下列哪种方法可以用来减小过拟合? A: 更少的训练数据 B: 更多的训练数据 C: 增加模型的复杂度 D: 增加多项式参数
- 下列哪种方法可以减小“过拟合”？ A: 减少训练数据 B: L1正则化 C: L2正则化 D: 减小模型复杂度
- 下列哪些方法可以用来减小过拟合？（） A: 更多的训练数据 B: L1正则化 C: L2正则化 D: 减小模型的复杂度
- 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。（ ）
- 可以采用哪些方法提高模型表现（ ）。 A: 调整模型复杂度 B: 设计更好的特征 C: 增加更多数据 D: 使用更多GPU进行训练