机器学习中的主要的挑战是什么?
A: 缺乏数据;
B: 数据质量差;
C: 没有代表性的数据;
D: 非信息性特征过多;
E: 过于简单的模型会欠拟合、过于复杂的模型会过拟合。
A: 缺乏数据;
B: 数据质量差;
C: 没有代表性的数据;
D: 非信息性特征过多;
E: 过于简单的模型会欠拟合、过于复杂的模型会过拟合。
A,B,C,D,E
举一反三
- 通常，在机器学习中造成“过拟合”的主要原因有（ ） A: 所训练的模型过于复杂 B: 所训练的模型过于简单 C: 特征属性太多，但训练样本太少 D: 数据集的规模太大
- 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。
- 过拟合是指模型的拟合曲线过于贴近训练数据的特征，但测试集上却较差。( )
- 出现过拟合的原因有:(<br/>) A: 样本数据选取不合理 B: 样本噪声干扰大 C: 假设模型不合理,模型参数太多,过于复杂 D: 模型过于简单,参数考虑不全面
- 关于过拟合产生的原因下列说法正确的是() A: 欠拟合是因为模型结构未能反映数据真实结构 B: 过拟合是因为模型结构未能反映数据真实结构 C: 过拟合是因为模型结构太过细致,对数据细小变化太敏感 D: 欠拟合是因为模型结构太过细致,对数据细小变化太敏感
内容
- 0
可能导致过拟合的原因有： A: 模型本身过于复杂 B: 训练样本太少 C: 训练样本缺乏代表性 D: 训练样本噪声的干扰
- 1
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
- 2
高维空间中数据具有稀疏性，容易导致模型过拟合。（ ）
- 3
欠拟合是指模型学习的不够好，那么他产生的原因是由于： A: 学习到数据的特征过少 B: 学习到错误数据 C: 机器运算有误
- 4
机器学习中的两个主要挑战为“欠拟合”和“过拟合”。其中“欠拟合”指的是选择的模型包含的参数过多，以至于该模型对于已知数据预测得很好，但是对于未知数据预测的很差，使得训练误差和测试误差之间的差距太大。