机器学习笔试：权衡欠拟合与过拟合的关键因素

"这是一份机器学习笔试题，包含了30道选择题，涉及回归模型、欠拟合与过拟合、交叉验证、极大似然估计、线性回归的假设、数据可视化、相关系数以及模型拟合的偏差与方差等核心概念。题目旨在测试考生对机器学习基础理论的理解和应用能力。" 详细内容： 1. 在回归模型中，权衡欠拟合和过拟合的关键因素是多项式阶数（A）。较高的多项式阶数可能导致过拟合，因为模型会过度适应训练数据中的噪声和细节，而在新数据上的泛化能力降低。相反，较低的多项式阶数可能导致欠拟合，即模型无法捕捉到数据中的复杂模式。 2. 留一法交叉验证是一种评估模型性能的方法，对于线性回归模型，使用留一法计算均方误差需要具体的数据点来计算。这里没有给出具体的数据，所以无法直接计算出均方误差。 3. 极大似然估计（MLE）是参数估计的一种方法。选项中，A和C是正确的。MLE可能存在但不唯一，例如在非唯一极大值的情况下。B和D都是错误的，因为MLE并不总是存在，且即使存在，解也不一定唯一。 4. 观察连续变量之间的线性关系，最适合的图形是散点图（A），它能直观地展示变量之间的关联。柱形图和直方图通常用于展示频数分布，而不适合显示两个变量的关系。 5. 相关系数为-1.09表明个人健康与年龄之间存在强烈的负相关关系，但这并不能直接说明年龄是健康程度的好或坏预测器，因为相关性并不等同于因果关系。选项C是正确的。 6. 最小二乘直线拟合中使用的偏移是垂直偏移（A），即调整直线在Y轴上的位置以最小化所有点到直线的距离的平方和。 7. 当使用3阶多项式来拟合数据时，简单线性回归（B）容易造成低偏差、高方差，因为它不能捕捉到复杂模式，而3阶多项式拟合（D）则具备低偏差、低方差，能够更好地拟合数据，但可能在新数据上过拟合。 这些题目覆盖了机器学习基础的多个重要主题，包括模型复杂度、模型评估、参数估计、统计推断和数据可视化。理解和掌握这些知识点是成为机器学习专家的基础。