在决策树创建时，由于数据中的噪声和离群点，许多分支反应的是训练数据中的异常。（)方法处理这种过分拟合数据问题。

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.删除离群点

B.填写缺失的值

C.平滑噪声数据

D.解决不一致性

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.①②③

B.②③

C.①②

D.①③

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

A.点数据集

B.线数据集

C.文本 数据集

D.属性 数据集

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.获取更多训练数据

B.减少网络容量

C.添加权重正规化

D.添加dropout

A.擅长处理噪声和离群点

B.对高纬数据效果良好

C.擅长发现强相关的紧致簇

D.基本时间复杂度为O(mlogm)