在影片中，你看到模型 \(\hat{f}\) 的複雜度會影響泛化誤差中的偏差與變異兩個部分。 以下哪一個敘述正確描述了 \(\hat{f}\) 的複雜度與其偏差、變異之間的關係？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
分類與回歸樹（CART）是一組用於分類與回歸問題的監督式學習模型。本章將帶你認識 CART 演算法。
偏差—變異權衡是監督式機器學習中的核心概念之一。本章中，你將學會如何診斷過度擬合與欠擬合的問題。你也會認識集成的概念，透過彙整多個模型的預測，產生更穩健的結果。
當前練習
Bagging 是一種集成方法，做法是用從訓練資料抽樣出的不同子集，多次訓練同一演算法。本章你將理解如何用 bagging 建立樹的集成。你也會學到隨機森林演算法如何在樹的每個切分層級引入隨機性，以進一步提升集成的多樣性。
Boosting 是一種集成方法，會將多個模型依序訓練，且每個模型都從前一個模型的錯誤中學習。本章將介紹兩種 boosting 方法：AdaBoost 與 Gradient Boosting。
機器學習模型的超參數是不從資料中學得的參數，需在擬合訓練集之前先行設定。本章你將學會如何使用網格搜尋交叉驗證來調整樹為基礎模型的超參數。
