下面有关过拟合的认识错误的是？

A、决策树的训练样本拟合误差小，但检验样本的泛化误差比较大。

B、可能是决策树的深度变大了

C、可以使用剪枝的方法减少决策树的复杂度

D、当出现过拟合时，因为对训练样本的拟合比较好，因此对新样本的预测效果好。

A、样本太少会导致过拟合

B、样本太多会导致过拟合

C、模型太复杂会导致过拟合

D、训练集中包含测试集样本，会导致过拟合

A、分类算法一般都会遇到过拟合问题

B、决策树的过拟合可以采用剪枝方法

C、神经网络的过拟合可以采用正则化、增加测试样本的方法

D、过拟合时训练样本的检验准确度会下降

A、

B、

C、

D、

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、决策树剪枝的目的是为了减少训练过程的过拟合，从而提升决策树模型的准确性。

B、决策树剪枝可以放在决策树的构造过程（预剪枝），也可以等决策树模型全部建立后再做（后剪枝）。

C、决策树剪枝的依据是看某层某个非叶节点转换成叶节点后，训练样本集的检验准确度是否提升。

D、决策树剪枝符合Occam剃刀原理（即机器学习模型越简单越好）。

A、线性拟合方程就是线性回归方程

B、线性拟合后的直线过所有的实验点

C、线性拟合依据的原理是实验数据与拟合方程的误差平方和最小

D、线性拟合处理的对象是实验点接近线性关系的数据

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、缺乏代表性样本

B、决策树很小

C、决策树过于复杂

D、样本中存在噪声或错误标签

A、欠拟合一般是由于样本集合太大而造成的

B、欠拟合时，增加模型的复杂度，或者增加输入特征的个数，可有望改善

C、过拟合时，增加训练集样本个数，可有望改善

D、过拟合时，减小模型复杂度，可有望改善