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。( )
举一反三
- 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
- 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
- 如果一个模型在测试集上偏差很大,方差很小,则说明该模型() A: 过拟合 B: 可能过拟合可能欠拟合 C: 刚好拟合 D: 欠拟合
- 在模型训练的时候为什么要将数据集拆分成训练集和测试集?( ) A: 测试集与训练集数据不能有重复.防止过拟合 B: 需要划分测试集数据用来调参 C: 数据集太多.训练模型用不了这么多数据
- 下面关于过拟合的原因中,错误的是哪个? A: 样本太少会导致过拟合 B: 样本太多会导致过拟合 C: 模型太复杂会导致过拟合 D: 训练集中包含测试集样本,会导致过拟合