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？

2581 次浏览

A、增加训练集量
B、减少神经网络隐藏层节点数
C、删除稀疏的特征
D、SVM算法中使用高斯核/RBF核代替线性核

小开

答案解析

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。B.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D.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。本题题目及解析来源：@刘炫320链接：http://blog.csdn.net/column/details/16442.html

mshare

挑战成功

2年前

mshare

挑战失败

2年前

mshare

挑战失败

2年前

mshare

挑战失败

2年前

aabb

挑战成功

2年前

aabb

挑战失败

2年前

aabb

挑战失败

2年前

pack gu

挑战成功

3年前

qukaiyang

挑战成功

3年前

qukaiyang

挑战失败

3年前

选项 A 选项 B 选项 C 选项 D

提交答案