• 2022-06-04
    下面有关过拟合的认识错误的是?
    A: 过拟合是因为训练样本太多了,把训练样本的规律都拟合进去了,因此检测样本的准确率也很高。
    B: 减少过拟合的方法可以通过降低决策树的复杂度,例如减少决策树的深度。
    C: 判断模型是否过拟合可以看随着训练的增加,学习到的模型准确度高了,但检测样本的准确率下降。
    D: 分类算法都可能会遇到过拟合现象。
  • A

    举一反三

    内容

    • 0

      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

    • 1

      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。

    • 2

      过拟合发生在模型太过偏向训练数据时,对于决策树可以采用修剪的方法阻止过拟合。

    • 3

      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

    • 4

      中国大学MOOC: 过拟合发生在模型太过偏向训练数据时,对于决策树可以采用修剪的方法阻止过拟合。