首页 > 试题广场 >

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

[单选题]

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（）

```
增加训练集量
```
```
减少神经网络隐藏层节点数
```
```
删除稀疏的特征
```

SVM算法中使用高斯核/RBF核代替线性核

查看正确选项

牛客1830567号

c为什么不对呢。

发表于 2017-03-22 14:03:20 回复(1)

AU REBORN

一般情况下，越复杂的系统，过拟合的可能性就越高，一般模型相对简单的话泛化能力会更好一点。SVM的核函数中，使用高斯核比使用线性核的复杂性更高，所以可能会造成过拟合

发表于 2017-03-19 17:36:01 回复(0)

牛客-007

答案：B
过拟合就是导致拟合过度，算法的普适性降低
B选项减少神经网络隐层节点数，也就减小了输入层与隐层，隐层与输出层之间的连接矩阵，使其适应性变差。

编辑于 2015-08-06 21:19:12 回复(2)

深度学习ing的人

造成过拟合的原因主要有：

1、训练数据不足，有限的训练数据

2、训练模型过度导致模型非常复杂，泛化能力差

选项A增加训练集可以解决训练数据不足的问题，防止过拟合

选项B对应使得模型复杂度降低，防止过拟合

选项C类似主成分分析，降低数据的特征维度，使得模型复杂度降低，防止过拟合

选项D使得模型的复杂化，会充分训练数据导致过拟合

发表于 2018-06-19 17:14:38 回复(1)

WiseeHw

一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向， svm高斯核函数比线性核函数模型更复杂，容易过拟合

发表于 2015-09-02 23:07:20 回复(0)

bluedreamzsy

径向基(RBF)核函数/高斯核函数的说明

这个核函数可以将原始空间映射到无穷维空间。对于参数，如果选的很大，高次特征上的权重实际上衰减得非常快，实际上（数值上近似一下）相当于一个低维的子空间；反过来，如果选得很小，则可以将任意的数据映射为线性可分——当然，这并不一定是好事，因为随之而来的可能是非常严重的过拟合问题。不过，总的来说，通过调整参数，高斯核实际上具有相当高的灵活性，也是 使用最广泛的核函数 之一。

发表于 2015-09-11 23:13:54 回复(0)

cherler

答案B不对吧。。

引起过拟合的应该是太多的参数引起的。神经网络减少隐藏层节点，就是在减少参数啊，只会将训练误差变高，怎么会过拟合呢。

问题是否是防止过拟合啊？？

发表于 2015-08-13 09:40:52 回复(2)

地主家

避免过拟合的方法：正则化方法，强制减少参数，增大训练数据集。

减少神经网络隐藏层节点数，即减少了输入--隐层，隐层--输出之间的连接矩阵，即权重和偏置，相当于降低模型复杂度，易引起过拟合。

发表于 2015-08-04 10:17:01 回复(4)

BigMoyan

选B是错的。
过拟合的根本原因是模型学习能力与数据复杂度的不匹配，模型学习能力强，数据复杂度低，会引起过拟合。
减少神经网络隐层参数会降低网络的学习能力，模型趋近于简单，因此不会增加过拟合风险。
用Dropout解释的全部是错的，减少隐层参数跟Dropout没有半毛钱关系，完全是两回事。

应该选D，高斯核会增加模型复杂度。

选B的同学，神经网络部分还要补补课呀

发表于 2017-02-28 20:59:43 回复(0)