分类器趋向于过分拟合训练集数据：即在学习期间，它可能包含了训练数据中的某些特定的异常，这些异常不在一般数据集中出现。（)

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

A.欠拟合

B.过拟合

C.泛化能力差

D.泛化能力强

A.模型训练误差很大，在测试集合上误差很小

B.模型训练误差很小，在测试集合上误差较大

C.模型训练误差很小，在测试集合上误差较小

D.模型训练误差很大，在测试集合上误差很大

A.偏差(bias)变小

B.偏差变大

C.偏差不变

D.不变

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

A.C4.5基于信息增益比作为属性选择的度量

B.ID3基于信息增益作为属性选择的度量

C.以上都是

D.CART基于基尼指数作为属性选择的度量

A.决策树更有可能过拟合数据

B.决策树更有可能不合适数据

C.决策树不假定输入要素的独立性

D.没有提及