在其他条件不变的前提下，以下哪种做法容易引起机器学习中的过拟合问题（）

感想

这道题我感觉十拿九稳的，但是一做就错，看来需要注意一下啦。

problem

在其他条件不变的前提下，以下哪种做法容易引起机器学习中的过拟合问题（）

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   S

D. SVM算法中使用高斯核/RBF核代替线性核

答案为：D

analysis

避免过拟合的方法：正则化方法，强制减少参数，增大训练数据集。

对于B，过拟合是太多的参数引起的。神经网络减少隐藏层节点，就是在减少参数，只会将训练误差变高，不会导致过拟合。 
对于D，svm高斯核函数比线性核函数模型更复杂，容易过拟合

径向基(RBF)核函数/高斯核函数的说明

这个核函数可以将原始空间映射到无穷维空间。对于参数 ，如果选的很大，高次特征上的权重实际上衰减得非常快，实际上（数值上近似一下）相当于一个低维的子空间；反过来，如果选得很小，则可以将任意的数据映射为线性可分——当然，这并不一定是好事，因为随之而来的可能是非常严重的过拟合问题。不过，总的来说，通过调整参数 ，高斯核实际上具有相当高的灵活性，也是 使用最广泛的核函数 之一。

参考文献

[1].牛客网.https://www.nowcoder.com/questionTerminal/1bf1c35bf6054428af0dc04bb45a1db3

[2].机器学习题目汇总二.http://blog.csdn.net/will130/article/details/50706294