解决过度拟合的方法一般来说有哪两种？（）
A: 更换神经网络模型
B: 增加数据库的数据量
C: 加强GPU计算能力
D: 降低深度学习模型的复杂度
E: 重新切割数据集再重新训练
A: 更换神经网络模型
B: 增加数据库的数据量
C: 加强GPU计算能力
D: 降低深度学习模型的复杂度
E: 重新切割数据集再重新训练
举一反三
- 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
- 对于深度学习的卷积神经网络模型（CNN）来说，其面临的最大问题是模型训练，即用什么数据、什么方法来训练神经网络。
- 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
- 深度网络模型一般指网络层数在3层以上，具有更多的可拟合的神经元，如此提高神经网络对复杂函数的逼近能力，为了训练庞大的变量需要大数据做支撑
- 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