在其他条件不变的前提下，以下哪种做法容易引起机器学习中的过拟合问题?A.增加训练集量B.减少神经网络隐藏层节点数C.删除稀疏的特征D.SVM算法中使用高斯核/RBF核代替线性核

题目

在其他条件不变的前提下，以下哪种做法容易引起机器学习中的过拟合问题?

A.增加训练集量

B.减少神经网络隐藏层节点数

C.删除稀疏的特征

D.SVM算法中使用高斯核/RBF核代替线性核

相似考题

1.在其他条件不变的前提下,以下哪种做法容易引起机器学习中的过拟合问题( )A.增加训练集量B.减少神经网络隐藏层节点数C.删除稀疏的特征SD.SVM算法中使用高斯核/RBF核代替线性核

2.2、下列说法错误的是______。A．过拟合是指在训练集上表现的很好，但在新样本上的误差很大B．欠拟合是指学习不足，没有学习到样本的通用特征C．机器学习的目标是使训练误差尽可能小D．将样本集划分为训练集和测试集，是为了使用测试误差来近似泛化误差

3.在机器学习中，如果数据较少，同时采用的模型较复杂，得到的模型在给定的训练集上误差非常小，接近于0，但是在训练集之外的数据上预测效果很差，这种现象称为（）。A．欠拟合（under-fitting）B．过拟合（over-fitting）C．损失函数（loss function）D．经验风险（empirical risk）

4.对应GradientBoostingtree算法,以下说法正确的是:( )A.当增加最小样本分裂个数，我们可以抵制过拟合B.当增加最小样本分裂个数，会导致过拟合C.当我们减少训练单个学习器的样本个数，我们可以降低varianceD.当我们减少训练单个学习器的样本个数，我们可以降低bias

更多“在其他条件不变的前提下,以下哪种做法容易引起机器学习中的过拟合问题?A.增加训练集量B.减少神经 ”相关问题

  • 第1题：

    在机器学习中，如果数据较少，同时采用的模型较复杂，得到的模型在给定的训练集上误差非常小，接近于0，但是在训练集之外的数据上预测效果很差，这种现象称为（）。

    A．欠拟合

    B．过拟合

    C．损失函数

    D．经验风险


    D

  • 第2题：

    在神经网络训练中，有关学习率调整说法错误的是？

    A．学习率设置不当会引起神经网络过拟合。

    B．学习率可以根据损失函数（代价函数）减少的快慢动态调整。

    C．学习率太小会使神经网络的训练迅速达到极小值。

    D．固定学习率设置太大可能会使神经网络训练震荡不收敛。


    学习率设置不当会引起神经网络过拟合。;学习率太小会使神经网络的训练迅速达到极小值。

  • 第3题：

    7、减少神经网络过拟合的说法，以下哪些是错误的？

    A．通过正则化可以减少网络参数的个数，一定程度可能增加过拟合

    B．利用L1或L2正则化可以使权重衰减，从而一定程度上减少过拟合

    C．在神经网络训练过程中类似dropout减少神经元或相关链接权的数量

    D．通过增加数据扰动的数据增强减少了神经网络的过拟合


    通过正则化可以减少网络参数的取值或个数，一定程度可能减少过拟合;利用L1或L2正则化可以使权重衰减，从而一定程度上减少过拟合;在神经网络训练过程中类似dropout减少神经元或相关链接权的数量

  • 第4题：

    4、当网络初步训练完成，且在训练集上表现良好，但是在测试集上表现不佳，首先应采取以下哪种措施？

    A．这是高偏差或者欠拟合现象，首先应该增加数据量或者进行数据增广

    B．这是高方差或者过拟合现象，首先应该增加数据量或者进行数据增广

    C．这是高偏差或者欠拟合现象，首先应该更换网络架构

    D．这是高方差或者过拟合现象，首先应该更换网络架构


    错误

  • 第5题：

    以下属于机器学习中用来防止过拟合的方法有哪些

    A．增加训练数据

    B．权值衰减

    C．Dropout

    D．大幅度减少网络层数


    监督式学习?非监督式学习?半监督式学习?强化学习

相关内容