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
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
举一反三
- 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。( )
- 可能导致过拟合的原因有： A: 模型本身过于复杂 B: 训练样本太少 C: 训练样本缺乏代表性 D: 训练样本噪声的干扰
- 出现过拟合的原因有:(<br/>) A: 样本数据选取不合理 B: 样本噪声干扰大 C: 假设模型不合理,模型参数太多,过于复杂 D: 模型过于简单,参数考虑不全面
- 机器学习中的主要的挑战是什么? A: 缺乏数据; B: 数据质量差; C: 没有代表性的数据; D: 非信息性特征过多; E: 过于简单的模型会欠拟合、过于复杂的模型会过拟合。
- 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