此浏览器不再受支持。
请升级到 Microsoft Edge 以使用最新的功能、安全更新和技术支持。
规范化数据的好处是什么？
训练更加快速
更精确地删除缺失值
识别用于训练的优先算法
你正在训练的模型在训练集方面表现良好，但在测试集上表现不佳。 可能的原因是什么？
发生了拟合不足，并且模型不够准确。 应继续训练。
发生过度拟合，并且模型在训练以外的新数据上表现不佳。 你可以提前停止训练，或收集更加多样化的数据。
你的模型很好。 你需要改用训练数据来测试模型。
你的模型将被用于一个具有挑战性的应用程序，你需要具有非常可靠的性能。 在困难的情况下，什么是用于测试模型可靠性的适当方法？
创建一个更大的训练集
使用维持方法，并创建第三个特殊数据集，该数据集包含模型输出需要符合性能阈值的示例。
在训练时密切关注成本。 如有任何变化，可以停止训练。
在检查工作前，必须回答所有问题。
此页面是否有帮助？