今天是中秋节，祝大家中秋节快乐。今天发《机器学习》作业二，明天是个特殊的日子，不发博客。
一. 单选题（共2题，40分）
1. (单选题) 在评价模型的性能时，一般是更希望算法模型的（C）
A
训练误差小
B
测试误差小
C
泛化误差小
D
以上都是
2. (单选题) 算法模型“过拟合”会发生的现象有（A）
A
训练误差很小，泛化性能差
B
测试误差很大，泛化性能强
C
训练误差很大，泛化性能强
D
测试误差很小，泛化性能强
二. 简答题（共1题，20分）
3. (简答题) 简述划分出测试集的三种方法留出法、交叉验证法和自助法的优劣。
留出法（Hold-out Validation）
优点：
简单快速：这种方法只需要将数据随机分成训练集和测试集两部分，操作简单且效率高。
易于实现：不需要复杂的流程，易于理解和编程实现。
缺点：
方差大：由于数据集被一次性分割，如果数据集本身较小或分布不均匀，则得到的训练集和测试集可能无法很好地反映整体数据的特性，从而影响评估结果的可靠性。
依赖于数据分割比例：不同的分割比例可能会导致不同的评估结果，难以确定最优的分割比例。
交叉验证法（Cross-validation）
优点：
减少方差：通过多次划分数据集进行训练和测试，每次使用不同的子集作为测试集，从而使得评估结果更加稳定可靠。
充分利用数据：几乎所有的数据都被用来训练模型，减少了数据浪费。
灵活性：可以采用不同的交叉验证策略，如K折交叉验证、Leave-One-Out等，适应不同的场景需求。
缺点：
计算复杂度高：相比于留出法，交叉验证需要多次训练模型，增加了计算成本。
实施复杂：相较于留出法，交叉验证的实现相对复杂，尤其是在处理非独立同分布的数据时需要更多的考虑。
自助法（Bootstrap）
优点：
重复利用数据：通过有放回抽样来构造训练集，能够有效地估计模型的方差。
适用性强：特别适合于数据集较小或分布不均匀的情况，能够较好地估计模型的偏差和方差。
缺点：
计算量大：需要多次抽样并训练模型，计算成本较高。
可能产生重复样本：由于是有放回抽样，训练集中可能会出现重复的观测值，这可能会影响模型的训练过程。
不适合依赖顺序的数据：自助法对于时间序列等依赖顺序的数据不太适用，因为它破坏了原本的时间顺序关系。
三. 多选题（共1题，20分）
4. (多选题) 评估模型时，划分测试集的原则有（ABC）
A
测试集应该尽可能与训练集互斥
B
训练集和测试集的划分要尽可能保持数据分布一致（分层采样）
C
一般采用多次重复试验
D
以上都不对