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。
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。
举一反三
- 如果模型在训练集上表现很好,在新的数据上表现很差,发生了什么? A: 模型很可能出现了过拟合(overfitting)。 B: 需要获取更多的训练数据 C: 用一个简单的模型或算法、减少所用的特征或参数、正则化模型 D: 减少训练数据中的噪音。
- 训练算法的目的就是要让模型拟合训练数据
- 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
- 中国大学MOOC: 训练算法的目的就是要让模型拟合训练数据
- 以下哪项陈述是正确的？选出所有正确项（ ） A: 在构建学习算法的第一个版本之前，花大量时间收集大量数据是一个好主意。 B: 逻辑回归使用了Sigmoid激活函数 C: 使用一个非常大的训练集使得模型不太可能过拟合训练数据。 D: 如果您的模型拟合训练集，那么获取更多数据可能会有帮助。