[单选题]
C 理由：A 逻辑回归增加正则项会降低模型复杂度，而方差随着模型复杂度提升而增加，故错误；B SVM 支持向量机是寻找最大边缘的超平面（最大边缘离样本距离越远 抗噪声性能越好 越稳定）故错误；C项 集成学习分为bagging 与boosting bagging 是投票表决法 常见的为随机森林法（对叶子节点的结论进行投票） boosting 是针对性的对前一次分类中的错误数据进行训练 常见的为adaboost XGboost
GDBT ,故C正确D错误。
发表于 2022-10-06 18:07:59
回复(0)
这句话不完全准确。加入正则化项（通常是 \(L1\) 正则化或 \(L2\) 正则化）的目的之一是为了减小模型的方差（Variance）。正则化通过对模型参数进行惩罚，防止模型在训练集上过度拟合，从而提高了模型的泛化能力，减小了方差。
在逻辑回归（LR）等线性模型中，加入正则化项后，模型的参数受到了额外的限制，使得参数的值不能过大。这有助于防止模型对训练数据中的噪声过于敏感，从而减小了方差，提高了模型在未见过数据上的性能。
正则化的影响是通过在优化过程中引入正则项，使得模型在最小化损失函数的同时，还需要考虑对参数的惩罚。这导致模型在选择参数时更倾向于简单的解决方案，从而减小了方差。
因此，一般来说，加入正则化项后，模型的方差应该减小而不是增大。然而，这并不是绝对的，具体效果还受到许多因素的影响，包括正则化项的强度、数据的特性等。在一些情况下，正则化可能对模型的性能产生负面影响。在实践中，通常需要通过交叉验证等方法来调整正则化参数，以找到最适合数据的模型。
在逻辑回归（LR）等线性模型中，加入正则化项后，模型的参数受到了额外的限制，使得参数的值不能过大。这有助于防止模型对训练数据中的噪声过于敏感，从而减小了方差，提高了模型在未见过数据上的性能。
正则化的影响是通过在优化过程中引入正则项，使得模型在最小化损失函数的同时，还需要考虑对参数的惩罚。这导致模型在选择参数时更倾向于简单的解决方案，从而减小了方差。
因此，一般来说，加入正则化项后，模型的方差应该减小而不是增大。然而，这并不是绝对的，具体效果还受到许多因素的影响，包括正则化项的强度、数据的特性等。在一些情况下，正则化可能对模型的性能产生负面影响。在实践中，通常需要通过交叉验证等方法来调整正则化参数，以找到最适合数据的模型。
发表于 2023-11-11 16:11:20
回复(0)
C真对吗，Bagging指通过随机抽样生成多个训练集并并行训练集成多个模型，以减少模型的方差
Boosting依赖于集成多个模型，一步步迭代
随机森林是Bagging，XGBoost是boosting啊
Boosting依赖于集成多个模型，一步步迭代
随机森林是Bagging，XGBoost是boosting啊
发表于 2025-03-07 22:25:57
回复(0)
其实我个人觉得，XGB中也有随机选择特征和随机选择样本的过程，这算不算是Bagging思想呢？那么算不算是Bagging算法呢。
发表于 2019-09-06 04:02:31
回复(0)
问题信息
-
扫描二维码，关注牛客网
- 意见反馈
-
下载牛客APP，随时随地刷题
扫一扫，把题目装进口袋
- 求职之前，先上牛客
-
扫描二维码，进入QQ群
扫描二维码，关注牛客公众号
- 公司地址：北京市朝阳区北苑路北美国际商务中心K1座一层-北京牛客科技有限公司
- 联系方式：010-60728802 投诉举报电话：010-57596212（朝阳人力社保局）
- 牛客科技© All rights reserved admin@nowcoder.com
- 京ICP备14055008号-4 增值电信业务经营许可证 营业执照 人力资源服务许可证
-
京公网安备
11010502036488号
