题目内容
（请给出正确答案）
[多选题]
对应GradientBoostingtree算法，以下说法正确的是:（)
A.当增加最小样本分裂个数，我们可以抵制过拟合
B.当增加最小样本分裂个数，会导致过拟合
C.当我们减少训练单个学习器的样本个数，我们可以降低variance
D.当我们减少训练单个学习器的样本个数，我们可以降低bias
查看答案
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
如果结果不匹配，请 联系老师 获取答案
题目内容
（请给出正确答案）
A.当增加最小样本分裂个数，我们可以抵制过拟合
B.当增加最小样本分裂个数，会导致过拟合
C.当我们减少训练单个学习器的样本个数，我们可以降低variance
D.当我们减少训练单个学习器的样本个数，我们可以降低bias
如果结果不匹配，请 联系老师 获取答案
更多“对应GradientBoostingtree算法，以下说法正…”相关的问题
A.我们随机抽取一些样本,在这些少量样本之上训练
B.我们可以试用在线机器学习算法
C.我们应用PCA算法降维,减少特征数
D.B和C
E.A和B
F.以上所有
A.SVM对噪声(如来自其他分部的噪声样本)具备鲁棒性
B.在adaboost算法中，所有被分错样本的权重更新比例不相同
C.boosting和bagging都是组合多个分类器投票的方法，二者都是根据单个分类器的正确率确定其权重
D.给定n个数据点，如果其中一半用于训练，一半用户测试，则训练误差和测试误差之间的差别会随着n的增加而减少的
A.增加树的深度
B.增加学习率(learnin grate)
C.减少树的深度
D.减少树的数量
A.当原假设不为真时，我们拒绝它的概率
B.当原假设不为真时，我们能拒绝它的最小概率
C.当原假设为真时，我们拒绝它的概率
D.当原假设为真时，我们能拒绝它的最小概率
A.可以集成出训练误差任意低的分类器
B.基础分类器可以任意弱
C.通过对样本进行加权达到改变训练集的效果
D.被当前基础分类器分错的样本的权重将会减小
1.一个机器学习模型，如果有较高准确率，总是说明这个分类器是好的
2.如果增加模型复杂度，那么模型的测试错误率总是会降低
3.如果增加模型复杂度，那么模型的训练错误率总是会降低
4.我们不可以使用聚类“类别id”作为一个新的特征项，然后再用监督学习分别进行学习
A.1
B.2
C.3
D.1and3
