过拟合在训练集上效果好，在测试集上效果差（ ）
举一反三
- 过拟合是指（ ）。 A: 在训练集表现非常好，但在测试集上表现很差 B: 在训练集表现非常好，但在测试集上表现也非常好 C: 在训练集表现非常差，但在测试集上表现也差 D: 在训练集表现非常差，但在测试集上表现非常好
- 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。( )
- 下列哪一种情况被称为过学习现象： A: 在训练集上A优于B，在测试集上A也优于B B: 在训练集上A优于B，在测试集上B优于A C: 相对于分类数据集，决策树过于简单 D: 在训练集上决策树的误差很小
- 以下描述的问题，哪一个是过拟合的表现？ A: 训练集和测试集的性能都较低 B: 训练集性能较低，测试集性能较高 C: 训练集性能较高，测试集性能较低 D: 训练集和测试集的性能都较高
- 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