集成学习模型中的弱学习器通常会过拟合。（)

过拟合是机器学习面临的关键障碍。（)

集成学习通过将多个学习器进行结合，来实现比单一学习器显著优越的学习性能。（）

Boosting是一族可将弱学习器提升为强学习器的算法。（)

回归和分类都是有监督的学习问题，都有可能发生过拟合（）

学习动力过弱有助于学习效果的提升（）

多样性度量是用于度量集成中个体分类器的多样性，即估算个体学习器的多样化程度，典型做法是考虑个体分类器的两两不相似性。（)

集合学习的效果一定比单一学习器的效果好（）

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？（）

随机森林是Bagging的一个扩展变体，在以决策树为基学习器构建Bagging集成的基础上，进一步在决策树的训练过程中引入了随机属性选择。（)

相对而言，小学低年级学生对学习过程的形式更感兴趣，而对学习内容和结果的兴趣会相对弱一些（）