假设我们正在训练一个线性回归器（感知器）。在训练之前添加与目标无关的额外特征（例如随机生成的值）通常会____我们的训练错误。
它通常会增加、减少还是保持不变？
列出答案：减少
这个问题的答案被列为减少，但不会添加额外的不相关特征不会改变训练错误，因为模型只会学会忽略这些特征（向它们添加 0 权重）。即使模型没有学会忽略额外的特征，训练误差也不会增加，因为模型似乎无法从完全随机不相关的情况中学习到有利于训练误差的关系特征？
向线性感知器添加额外无关特征的效果
数据挖掘
机器学习
特征选择
特征工程
训练
感知器
2022-02-16 03:03:12
1个回答
如果你给感知器添加一个新特性，感知器实际上会多得到一个参数。所以从某种意义上说，它不再是同一个模型了。但是让我们忽略这一点。
相关性是关键问题。假设新特征是一个随机数，它恰好与训练数据集的期望输出正相关，但与测试数据集负相关。那么你会期望这个新特性会对测试错误产生负面影响，对吧？至少我会。
但是您的问题是关于培训错误的。在那种情况下，我实际上看不出它应该是这种情况的原因。我建议尝试一下。
无论如何，请询问您在哪里找到这个问题的人/组织。（并将答案发回）
其它你可能感兴趣的问题