長按識別上方二維碼，關注：七月線上實驗室，回覆關鍵詞：100

即可免費領取【100道機器學習面試題（上）】PDF版本一份

今日面試題分享

解決bias和Variance問題的方法是什麼？

參考答案：

解析：

High bias解決方案:Boosting、複雜模型（非線性模型、增加神經網路中的層）、更多特徵 High Variance解決方案：bagging、簡化模型、降維  

具體而言 

高偏差, 可以用boosting模型, 對預測殘差進行優化, 直接降低了偏差. 也可以用高模型容量的複雜模型(比如非線性模型, 深度神經網路), 更多的特徵, 來增加對樣本的擬合度. 

高方差, 一般使用平均值法, 比如bagging, 或者模型簡化/降維方法, 來降低方差. 

高偏差和高方差都是不好的, 我們應該加以避免. 但是它們又是此消彼長的關係, 所以必須權衡考慮. 一般情況下, 交叉驗證訓練可以取得比較好的平衡: 

將原始樣本均分成K組, 將每組樣本分別做一次驗證集,其餘的K-1組子集資料作為訓練集,這樣會得到K個模型, 這K個模型可以併發訓練以加速. 用這K個模型最終的驗證集的分類準確率的平均數作為此K-CV下分類器的效能指標. K一般大於等於3, 而K-CV 的實驗共需要建立 k 個models，並計算 k 次 test sets 的平均預測正確率。 

在實作上，k 要夠大才能使各回合中的 訓練樣本數夠多，一般而言 k=10 (作為一個經驗引數)算是相當足夠了。

題目來源：七月線上官網（www.julyedu.com）——面試題庫——面試大題——機器學習

今日學習推薦

【PyTorch的入門與實戰】

16小時帶你實戰PyTorch 1.0 

四大課程特色  八大實戰專案

長按識別下方二維碼

免費試聽

?

長按識別二維碼

●備戰AI求職季 | 100道機器學習面試題（上）

●機器學習中的數學基礎（微積分和概率統計）

●一文詳解機器學習中最好用的提升方法：Boosting 與 AdaBoost

●34個最優秀好用的Python開源框架

●【實戰分享】電影推薦系統專案實戰應用

●萬字長文概述NLP中的深度學習技術

點

諮詢，檢視課程，請點選“閱讀原文”

「 在看的，麻煩點一下再走~ 」