在视频中，您看到被标记为 \(\hat{f}\) 的模型的复杂度如何影响其泛化误差中的偏差项和方差项。 以下哪一项正确描述了 \(\hat{f}\) 的复杂度与其偏差和方差之间的关系？
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
分类与回归树（CART）是一组用于分类与回归问题的监督学习模型。本章将向您介绍 CART 算法。
偏差—方差权衡是监督式机器学习中的核心概念之一。本章将带您了解如何诊断过拟合与欠拟合问题。您还将接触集成学习的理念，即将多个模型的预测进行聚合，以得到更稳健的预测结果。
当前练习
Bagging 是一种集成方法，通过从训练数据中采样不同子集，多次训练同一种算法。在本章中，您将了解如何使用 Bagging 构建树的集成。您还会学习随机森林算法如何在树的每次划分层面进行随机化，从而进一步提升集成的多样性。
Boosting 指一种集成方法，其中多个模型按序训练，每个模型从其前一模型的错误中学习。在本章中，您将学习两种提升方法：AdaBoost 与梯度提升（Gradient Boosting）。
机器学习模型的超参数是无法通过数据学习得到的参数，需要在将模型拟合到训练集之前设定。本章中，您将学习如何使用网格搜索交叉验证来调优基于树的模型的超参数。
