A.降低单个模型的偏差
B.降低单个模型的方差
C.增加单个模型的复杂度
D.减少训练时间

A.选择最佳的特征子集
B.确定模型的复杂性
C.估计模型的概率分布
D.进行模型的归一化处理

A.模型随着时间学习的过程
B.模型复杂度随数据量变化的关系
C.训练和验证误差随时间的变化
D.损失函数随迭代次数的变化

A.输入特征
B.输出变量
C.训练算法
D.验证数据集

A.加速算法的计算速度
B.增加模型的存储空间需求
C.使模型能够处理非线性边界
D.减小模型的复杂度

A.欠拟合
B.过拟合
C.梯度消失
D.梯度爆炸

A.文本数据
B.时间序列数据
C.图像数据
D.音频数据

A.bagging并行构建模型，boosting串行构建模型
B.boosting并行构建模型，bagging串行构建模型
C.bagging和boosting都没有并行或串行的特点
D.bagging和boosting都以相同的方式构建模型

A.偏差指的是模型的预测，方差指的是模型在不同数据集上的波动
B.偏差指的是模型的复杂度，方差指的是模型的准确度
C.偏差指的是数据的噪声，方差指的是数据的分布
D.偏差指的是模型的泛化能力，方差指的是模型的训练效果

A.随机森林使用集成方法，而GBM不使用
B.GBM使用集成方法，而随机森林不使用
C.两者都使用不同的集成方法
D.两者都不使用集成方法

A.过采样少数类
B.欠采样多数类
C.使用不同的损失函数
D.随机梯度下降