过拟合的解决办法有（)。

A.增加训练集量

B.减少神经网络隐藏层节点数

C.删除稀疏的特征

D.SVM算法中使用高斯核/RBF核代替线性核

A.增加学习率

B.L2正则化

C.dropout

D.提前终止

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.减少训练的时间

B.提升模型泛化能力,避免过拟合

C.简化模型,使之容易被解释

D.避免维度爆炸问题

A.第1个模型的训练误差大于第2个、第3个模型

B.最好的模型是第3个，因为它的训练误差最小

C.第2个模型最为“健壮”，因为它对未知样本的拟合效果最好

D.第3个模型发生了过拟合

A.特征过多

B.样本过多

C.参数过多

D.都不是

对(许多美国工人可用的)401(k)养老金计划的出现是否提高了净储蓄，吸引了大量研究兴趣。数据集401KSUBS.RAW包含了有关净金融资产(nettfa)、家庭收入(ic)、是否有资格参与401(k)计划的二值变量(e401k)和其他几个变量的信息。

(i)样本中有资格参与一个401(k)计划的家庭比例是多少？

(ii)估计一个用收入、年龄和性别解释401(k)资格的线性概率模型。包括收入和年龄的二次项，并以通常形式报告结论。

(iii)你认为401(k)资格独立于收入和年龄吗？性别呢？请解释。

(iv)求第(ii)部分中估计的线性概率模型的拟合值。有小于0或大于1的拟合值吗？

(v)利用第(iv)部分中的拟合值e401k₁，定义e401k₁在e401k≥0.5时取值1，并在2e401k＜0.5时取值0。在9275个家庭中，预计有多少家庭有资格参与401(k)计划？

(vi)对于没有资格参加401(k)的5638个家庭，利用预测值e401k₁，预测其中有多大比例没有401(k)？对于有资格参加401(k)的3637个家庭，其中有多大比例的家庭有401(k)？(如果你的计量经济软件具有“制表”命令更好。)

(vii)总正确预测比约为64.9%。给定第(vi)部分的答案，你认为这是模型好坏的一个完备描述吗？

(viii)在线性概率模型中增加一个解释变量pira。其他条件不变，若一个家庭有某人拥有个人退休金账户，一个家庭有资格参与401(k)计划的估计概率会提高多少？在10%的显著性水平上，它统计显著异于0吗？

A.负抽样

B.欠抽样

C.假抽样

D.伪抽样

A.L2范数可以防止过拟合，提升模型的泛化能力。但L1正则做不到这一点

B.L2正则化标识各个参数的平方的和的开方值

C.L2正则化有个名称叫“Lassoregularization”

D.L1范数会使权值稀疏