在图像分类任务中，训练样本少可能会带来模型欠拟合的问题。
举一反三
- 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。
- 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。
- 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。
- 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
- 模型在训练阶段的效果不太好称之为欠拟合。