以下哪项容易导致机器学习中的过拟合问题?()
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
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
A.如果参数较多,则容易导致过拟合。而减少参数有助于避免过拟合
B.参数共享的优势是通过一个任务上学习到的参数可以直接应用到另外一个任务上
C.可以允许一个特征检测器在整个输入图像的不同位置使用,即可以把参数看成是卷积提取特征的方式,该方式与位置无关
D.参数越多,才能避免过拟合,减少参数容易导致过拟合
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.全连接层的作用就是分类,全连接层的每一个节点都与上一层的所有节点相连接,将前一层的特征进行进一步组合
B.损失函数的作用是用来估算模型的预测值与实际值的差距的函数
C.卷积神经网络中的池化层又称为下采样层,该层的目的是降低特征图的维度,进而降低卷积神经网络的参数量,减少过拟合
D.卷积神经网络前面的各层是将图像的低维特征映射到抽象特征空间,全连接层则将抽象特征映射到样本标记空间中