证明：任何有限维赋范线性空间都是自反的

A．复杂的模型时容易发生欠拟合问题

B．神经网络不会出现过拟合问题

C．正则化方法可以减少过拟合问题

D．增加数据量不能减少过拟合问题

A．增加模型复杂度

B．增加样本数量

C．去除噪声

D．正则化

A、等号右边第一项的目标是使模型能更好地拟合训练数据

B、等号右边第二项是正则化项，目的是控制过拟合现象

C、λ 是正则化参数（regularization parameter），用于控制等号右边两项的平衡

D、过拟合是指学习到的模型在训练集上也许误差较小，但是对于测试集中之前未见样本的预测却未必有效。或者通俗地说，模型过度学习了训练数据。

A、去除噪声

B、增加样本数量

C、正则化

D、增加模型复杂度

A．增加数据量

B．特征工程

C．减少正则化参数

D．增加特征

A．正则化：L1、L2正则化，为拟合增加条件约束

B．丢弃一些不能帮助我们正确预测的特征

C．保留所有的特征，但是减少参数的大小

D．构建更为复杂的模型

A．模型应该简单(防止过拟合)

B．在训练时最小化错误率(提高在训练集上的准确率)

C．可以利用已知的数据特性，例如稀疏、低秩等

D．将模型函数正则化

A．正则化过低且模型过度拟合

B．正则化过高，模型不适合

C．步长太大

D．步长太小

A．增加新特征，可以加入进特征组合、高次特征，来增大假设空间

B．添加多项式特征

C．减少正则化参数

D．使用非线性模型