今日面试题分享：解决bias和Variance问题的方法是什么？

长按识别上方二维码，关注：七月在线实验室，回复关键词：100

即可免费领取【100道机器学习面试题（上）】PDF版本一份

今日面试题分享

解决bias和Variance问题的方法是什么？

参考答案：

解析：

High bias解决方案:Boosting、复杂模型（非线性模型、增加神经网络中的层）、更多特征 High Variance解决方案：bagging、简化模型、降维  

具体而言 

高偏差, 可以用boosting模型, 对预测残差进行优化, 直接降低了偏差. 也可以用高模型容量的复杂模型(比如非线性模型, 深度神经网络), 更多的特征, 来增加对样本的拟合度. 

高方差, 一般使用平均值法, 比如bagging, 或者模型简化/降维方法, 来降低方差. 

高偏差和高方差都是不好的, 我们应该加以避免. 但是它们又是此消彼长的关系, 所以必须权衡考虑. 一般情况下, 交叉验证训练可以取得比较好的平衡: 

将原始样本均分成K组, 将每组样本分别做一次验证集,其余的K-1组子集数据作为训练集,这样会得到K个模型, 这K个模型可以并发训练以加速. 用这K个模型最终的验证集的分类准确率的平均数作为此K-CV下分类器的性能指标. K一般大于等于3, 而K-CV 的实验共需要建立 k 个models，并计算 k 次 test sets 的平均预测正确率。 

在实作上，k 要够大才能使各回合中的 训练样本数够多，一般而言 k=10 (作为一个经验参数)算是相当足够了。

题目来源：七月在线官网（www.julyedu.com）——面试题库——面试大题——机器学习

今日学习推荐

【PyTorch的入门与实战】

16小时带你实战PyTorch 1.0 

四大课程特色  八大实战项目

长按识别下方二维码

免费试听

👇

长按识别二维码

●备战AI求职季 | 100道机器学习面试题（上）

●机器学习中的数学基础（微积分和概率统计）

●一文详解机器学习中最好用的提升方法：Boosting 与 AdaBoost

●34个最优秀好用的Python开源框架

●【实战分享】电影推荐系统项目实战应用

●万字长文概述NLP中的深度学习技术

点

咨询，查看课程，请点击“阅读原文”

「 在看的，麻烦点一下再走~ 」