过拟合的模型在训练数据上表现很好。
人工智能通识基础 练习题
共 674 道题，以下仅展示题目与选项，供练习与学习使用。
想边做边批改、自动判分、收藏错题？
前往主站在线练习《人工智能通识基础》，获得完整学习体验。
前往 爱课堂 学习 →
无监督学习可以发现数据中的隐藏模式。
欠拟合可以通过增加模型复杂度来缓解。
分类任务的输出是连续数值。
损失函数值越小，模型通常越好。
测试集可以用来调整模型参数。
K均值聚类是一种监督学习算法。
梯度下降只能用于线性模型。
KNN算法在预测时需要用到训练数据。
强化学习中的智能体通过与环境交互获得奖励来学习。
数据预处理是机器学习中可有可无的步骤。
决策树只能处理二分类问题。
交叉验证可以完全替代测试集。
模型的泛化能力越强，在新数据上的表现就越好。
增加训练数据一定能使模型效果更好。
逻辑回归只能解决二分类问题。
特征工程对机器学习模型的效果影响很大。
所有机器学习算法都需要使用梯度下降来训练。
训练数据越多越好，不需要关心数据质量。
正则化可以防止模型过拟合。
本页仅提供题目与选项供学习参考，不含答案。如需系统练习、自动判分与错题本，欢迎前往主站《人工智能通识基础》在线练习。