以下哪些是可能导致模型过拟合的原因()。
A.模型学习到了样本的一般性质
B.学习迭代次数过多
C.训练集数量级和模型复杂度不匹配,训练集的数量级小于模型的复杂度
D.训练集和测试集特征分布不一致
A.模型学习到了样本的一般性质
B.学习迭代次数过多
C.训练集数量级和模型复杂度不匹配,训练集的数量级小于模型的复杂度
D.训练集和测试集特征分布不一致
第1题
A.数据集合扩充
B.L1和L3正则化
C.提前停止训练
D.使用Dropout方法
第6题
A.色散补偿不合理如欠补或过补
B.发端0TU单板的发送激光器性能分化
C.尾线连接头存在严重污染
D.机房温度过高
E.入线路纤的光功率过高或过低
第7题
A.级别划分较多的属性不会影响模型效果
B.在某些噪音较大的分类或回归问题上不会过拟合
C.每次学习使用不同训练集,一定程度避免过拟合
D.能够处理高纬度的数据,并且不做特征选择
第9题
A.梯度减少问题
B.XOR问题
C.梯度消失问题
D.过拟合问题
第10题
A.移植后肝脏清除内毒素的能力降低,从而导致大量PCT的合成
B.细胞损伤和炎症反应可能是PCT水平与肝病严重程度之间呈负相关的原因
C.PCT的升高还加速了细胞损伤并导致恶性循环
D.肝硬化和肝功能衰竭患者也患有内毒素血症,然后可能导致PCT合成增加
E.内毒素会通过小肠和结肠直接释放到循环系统中,从而提高血液浓度
第11题
A.向前选择法是从模型中没有自变量开始,然后将所有自变量依次增加到模型中
B.向后剔除法是先对所有自变量拟合线性回归模型,然后依次将所有自变量剔除模型
C.逐步回归法是将向前选择法和向后剔除法结合起来,但不能保证得到的回归模型一定就显著
D.逐步回归法选择变量时,在前面步骤中增加的自变量在后面的步骤中有可能被剔除,而在前面步骤中剔除的自变量在后面的步骤中也可能重新进入到模型中