哪种做法容易引起机器学习中的过拟合问题

在机器学习中，以下做法容易引起过拟合问题：

1. 模型复杂度过高：当模型复杂度过高时，模型容易过于贴近训练数据，从而忽略了数据的一般规律，导致过拟合问题。

2. 数据量过少：当训练数据量过少时，模型容易过于贴近训练数据，从而忽略了数据的一般规律，导致过拟合问题。

3. 特征选择不当：当特征选择不当时，模型容易过于贴近训练数据，从而忽略了数据的一般规律，导致过拟合问题。

4. 训练数据集和测试数据集的分布不一致：当训练数据集和测试数据集的分布不一致时，模型容易在训练集上表现良好，但在测试集上表现差，导致过拟合问题。

5. 训练数据集中存在噪声：当训练数据集中存在噪声时，模型容易过于贴近训练数据，从而忽略了数据的一般规律，导致过拟合问题。

相关问题

4、在其它条件不变的前提下，以下哪种做法容易引起机器学习中的过拟合问题（ ） A 增加训练集数量 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

D SVM算法中使用高斯核/RBF核代替容易引起机器学习中的过拟合问题。

SVM算法中，高斯核/RBF核的复杂度随着特征数的增加而增加，因此在高维数据集上容易出现过拟合问题。增加训练集数量可以一定程度上减少过拟合，减少神经网络隐藏层节点数可以减少网络的复杂度，删除稀疏的特征可以减少特征的维度，这些做法通常可以帮助缓解过拟合问题。