问一道题：NO.PZ2018101901000003

同学你好，

A选项underfitting的意思是应该有的特征没抓住，导致模型过于简单，所以才“欠”拟合。例如一个现象应该用10个变量来解释，现在只用了5个，模型太简单了。少了的那5个变量的特征就没抓住。导致模型对于真实情况的拟合不足。作为对比，overfitting会导致过于复杂的模型。所以A选项不正确。

B选项说的太绝对了。机器学习还是需要人参与的，举个例子。如果项目的目的是分类，可能会有多种算法都可以达到分类的目的，那么具体选用哪种算法就需要人来选择。此外一些数据需要事先设定，以分类树的算法为例，树一共要有几层？每层的关键值怎么取？都是需要在计算之前人工事先设定的。但如果B选项说的是机器学习中的非监督式学习不需要人工来添加标签就对了。

C选项中的“black box”可以理解为只是知道自己给计算机输入了什么，但是计算机如何得到的结果的这整个过程我们是不知道的。就类似计算机是在一个你看不到里层的黑盒子里面完成了整个过程。“black box”是机器学习很多复杂算法的缺点之一。

举个更直接的例子，例如计算器上第三排年金的五个键。即使是没有学习过年金原理的使用者光告诉他们如何去按键也能算出答案，但如何得到最终答案的过程对于没学过年金的人来说就是一个“黑盒子”。所以C选项正确。

这三个选项所体现的知识点到二级还会深化学习，加油

同学你好，

回复一下追问的问题。“noise”或者中文的“噪声项”指的是局部特征。也就是所选择的样本数据集里的数据的自身特征，这个特征是不能推广到其他数据集里的。如果机器学习抓住了这个局部特征，就会导致预测出错。

还是以上课天鹅的那个例子为例。例如有翅膀，会游泳，有细长的脖子这种就是整体特征，是适合于所有的天鹅的，也是应该被模型所包含进去的，可以进行有效预测的（如果这些特征没包含进去，就是underfitting）。但如果样本数据集里的天鹅图片都是白色天鹅，这时候这个“白色”就是这个样本数据集里的自身或者局部特征。如果样本数据集里恰好所有的天鹅都是白色，那么这个特征就有可能被模型错误的抓住了，这个时候用这个模型去预测一只鸟是不是天鹅就会出错（因为会排除黑天鹅）。这同时也是overfitting的问题，因为特征抓的太多，模型过于复杂，反而抓住了不应该去抓住的局部特征，导致预测出错。