以下描述不是解决overfitting问题的是（）

[单选题]

```
使用regularization
```

SVM中从多项式核转向使用高斯核

```
拿更多的数据
```
```
数据清洗，去掉一些noise
```

查看正确选项

woolsey

D项，去掉噪声确实可以解决过拟合。过拟合有一种原因是模型拟合了数据中的噪音，所以去掉可以减小干扰。

https://www.cnblogs.com/zingp/p/10511176.html#_label2

B项，高斯核比多项式核更容易过拟合

    作者：Dengyy
    链接：https://www.nowcoder.com/questionTerminal/dd2c6a74fe9d4999a8421750051cb757
    来源：牛客网

    VM支持向量机，一般用于二分类模型，支持线性可分和非线性划分。SVM中用到的核函数有线性核'linear'、多项式核函数pkf以及高斯核函数rbf。当训练数据线性可分时，一般用线性核函数，直接实现可分；当训练数据不可分时，需要使用核技巧，将训练数据映射到另一个高维空间，使再高维空间中，数据可线性划分，但需要注意的是，若样本n和特征m很大时，且特征m>>n时，需要用线性核函数，因为此时考虑高斯核函数的映射后空间维数更高，更复杂，也容易过拟合，此时使用高斯核函数的弊大于利，选择使用线性核会更好；若样本n一般大小，特征m较小，此时进行高斯核函数映射后，不仅能够实现将原训练数据再高维空间中实现线性划分，而且计算方面不会有很大的消耗，因此利大于弊，适合用高斯核函数；若样本n很大，但特征m较小，同样难以避免计算复杂的问题，因此会更多考虑线性核。

发表于 2020-02-14 09:27:22 回复(0)