下面关于过拟合的原因中，错误的是哪个？

A.他们经常不会过拟合

B.他们通常带有高偏差，所以其并不能解决复杂学习问题

C.他们通常会过拟合

A、复杂的模型时容易发生欠拟合问题

B、神经网络不会出现过拟合问题

C、正则化方法可以减少过拟合问题

D、增加数据量不能减少过拟合问题

A、最常用的一种准则是拟合误差平方和最小的最小二乘准则

B、可以用线性最小二乘拟合或者非线性最小二乘拟合方法

C、拟合问题本质上是要寻求一个函数y=f(x), 使 f(x) 在某种准则下与所给数据点最为接近。

D、拟合问题本质上是要寻求一个函数y=f(x), 使 f(x)经过每一个所给数据点。

A、增加模型复杂度

B、增加样本数量

C、去除噪声

D、正则化

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、对给定若干数据点，刻画数据点反映的一般规律

B、要求所求曲线（面）通过所给所有数据点

C、不要求所求曲线（面）通过所给所有数据点

D、求解问题具有随机性、不确定性的特点时，采用拟合方法

A、线性回归是一种有监督学习算法

B、线性回归能够求解直线（或超平面）拟合问题

C、线性回归能够求解二次曲线拟合问题

D、线性回归模型能够通过梯度下降策略训练

B.减少神经网络隐藏层节点数

C.删除稀疏的特征S

D.SVM算法中使用高斯核/RBF核代替线性核

A、线性概率模型可能存在被解释变量的估计值不在(0,1)之间的问题。

B、调整的判定系数不能准确度量线性概率模型的拟合优度。

C、Logit模型和Probit模型可采用极大似然法估计。

D、Logit模型和Probit模型不存在遗漏变量的问题。

A、增加惩罚参数 “C”

B、减少惩罚参数

C、减少核系数（gamma 的值）