在机器学习算法中，模型过拟合是指？（)

A.历史数据

B.训练算法

C.神经网络

D.人工程序

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.关联规则

B.GMM

C.Xgboost

D.聚类

在10.3节酶促反应中,如果用指数增长模型代替Michals-Menten模型对经过嘌呤霉素处理的实验数据作非线性回归分析.其结果将如何？更进一步,若选用模型来拟合相同的数据,其结果是否比指数增长模型有所改进？试作出模型的残差图进行比较。

A.通过正则化可以减少网络参数的个数，一定程度可能增加过拟合

B.利用L1或L2正则化可以使权重衰减，从而一定程度上减少过拟合

C.在神经网络训练过程中类似dropout减少神经元或相关链接权的数量

D.通过增加数据扰动的数据增强减少了神经网络的过拟合

(i)利用表13-1中同样的变量估计kids的一个泊松回归模型。解释y82的系数。

(ii)保持其他因素不变，黑人妇女和非黑人妇女在生育上的估计百分数差异是多少？

(iii)求σ。有过度散布和散布不足的证据吗？

(iv)计算泊松回归中的拟合值和作为kidsi和kidsi之相关系数平方的R2。并与线性回归模型中的R2相比较。

(i)变量train是工作培训指标变量。样本中有多少人参与了工作培训项目？一个男人实际参加工作培训最多达几个月？

(ii)将train对unem74,unem75,age,educ,black,hisp和married等几个人口统计和培训前变量做一个线性回归。这些变量在5%的显著性水平上联合显著吗？

(iii)估计第(ii)部分中线性模型的一个概率单位形式。计算所有变量联合显著性的似然比检验。你得到什么结论？

(iv)基于第(ii)部分和第(iii)部分的答案，为解释1978年的失业状况，参与工作培训可视为外生变量吗？请解释。

(v)做unem78对train的简单回归，并以方程形式报告结果。估计参与工作培训项目对1978年失业的概率有何影响？它统计显著吗？

(vi)做unem78对train的概率单位模型。将train的概率单位系数与第(v)部分线性模型中得到的系数相比较有意义吗？

(vii)求出第(v)部分与第(vi)部分的拟合概率。解释它们为什么相同。为了度量工作培训项目的效果和统计显著性，你将采用哪个方法？

(viii)在第(v)部分与第(vi)部分模型中将第(ii)部分中的所有变量作为额外控制变量。现在拟合概率还相同吗？它们之间有何关系？

A.梯度减少问题

B.XOR问题

C.梯度消失问题

D.过拟合问题