题目内容
（请给出正确答案）
提问人：网友叶兰
发布时间：2023-04-10
[单选题]
如果决策树过度拟合训练集，以下不属于消除过拟合的选项是()。
A.增加max_depth
B.采用随机森林，集成学习
C.减少max_depth
D.剪枝
参考答案
A.增大训练集
B.采用正则化
C.增加网络参数
D.减小正则化参数
网友您好，请在下方输入框内输入要搜索的题目：
搜题
题目内容
（请给出正确答案）
参考答案
更多“如果决策树过度拟合训练集，以下不属于消除过拟合的选项是()。”相关的问题
第2题
随机森林利用随机的方式将许多决策树组合成一个森林，每个决策树在分类的时候决定测试样本的最终类别。它的优点是（)。
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4题
下面有关过拟合的认识错误的是？
A.过拟合是因为训练样本太多了，把训练样本的规律都拟合进去了，因此检测样本的准确率也很高。
B.减少过拟合的方法可以通过降低决策树的复杂度，例如减少决策树的深度。
C.判断模型是否过拟合可以看随着训练的增加，学习到的模型准确度高了，但检测样本的准确率下降。
D.分类算法都可能会遇到过拟合现象。
第5题
题目假设你训练了一个基于线性核的SVM，多项式阶数为2，在训练集和测试集上准确率都为100%（）
A.如果增加模型复杂度或核函数的多项式阶数，将会发生什么（A）
B.A导致过拟合
C.B导致欠拟合
D.C无影响，因为模型已达100%准确率
E.D以上均不正确
第6题
关于欠拟合与过拟合，以下哪种说法是不正确的
A.欠拟合一般是由于样本集合太大而造成的
B.欠拟合时，增加模型的复杂度，或者增加输入特征的个数，可有望改善
C.过拟合时，增加训练集样本个数，可有望改善
D.过拟合时，减小模型复杂度，可有望改善
第7题
随机森林指的是利用多棵树对样本进行训练并预测的一种分类器，以下针对随机森林算法的表述，错误的是（）。
A.随机森林算法对异常值和缺失值不敏感。
B.决策树之间相关系数越低、每棵决策树分类精度越高的随机森林模型的分类效果越好。
C.随机森林算法的分类精度会随着决策树数量的增加而提高。
D.醺机森林算法不需要考虑过拟合问题
第8题
下列说法中错误的是______。
A.负梯度方向是使函数值下降最快的方向
B.当目标函数是凸函数时，一定可以采用梯度下降法得到全局最优解
C.过拟合就是学习过度，在训练集上表现很差，而且在新样本上泛化误差也很大
D.误差就是学习器的预测输出和样本的真实标记之间的差异
第9题
对某数据集进行高次多项式的回归，逐渐增加多项式的次数，如采用七次多项式回归拟合，曲线经过了所有训练集中的点，但在测试集上的R方值却变得更低了。则以下表述正确的是
A.发生了过拟合较为严重（overfitting）的情况
B.发生了欠拟合较为严重（underfitting）的情况
C.学习得到了一个非常好的模型，其在测试集上的表现最好
D.R方值越大，则模型性能越好
第10题
下面有关决策树剪枝的说法错误的是？
A.决策树剪枝的目的是为了减少训练过程的过拟合，从而提升决策树模型的准确性。
B.决策树剪枝可以放在决策树的构造过程（预剪枝），也可以等决策树模型全部建立后再做（后剪枝）。
C.决策树剪枝的依据是看某层某个非叶节点转换成叶节点后，训练样本集的检验准确度是否提升。
D.决策树剪枝符合Occam剃刀原理（即机器学习模型越简单越好）。
第11题
有关过拟合问题的说法正确的是哪些？
A.分类算法一般都会遇到过拟合问题
B.决策树的过拟合可以采用剪枝方法
C.神经网络的过拟合可以采用正则化、增加测试样本的方法
D.过拟合时训练样本的检验准确度会下降
