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.小波

B.调和

C.剪枝

D.回归

A.ID3使用的信息增益

B.C4.5使用的增益率

C.CART使用的基尼指数

D.NNM使用的梯度下降

A.训练集

B.验证集

C.测试集

D.模拟集

A.①②③

B.②③

C.①②

D.①③

A.Bagzing改进了预测准确率，也具有非常好的解释性

B.由于每一个样本被选中的概率相同，因此装袋并不侧重于训练数据集中的任何特定实例

C.对于噪声数据，装袋不太受过分拟合的影响

D.Bagging通过降低基学习器的方差改善了泛化误差

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.训练数据集规模过小

B.多样性或代表性不足

C.数据集标注质量过低

D.异构化严重

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