在其他条件不变的前提下，（）容易引起机器学习中的过拟合问题。

过拟合是机器学习中一个常见的问题，它指的是模型在训练数据上表现得过于好，以至于在未知数据（测试数据）上的表现不佳。这通常是因为模型过于复杂，以至于它“记住”了训练数据中的噪声和细节，而不是学习到了真正的底层规律。 A选项：增加训练集量通常可以帮助模型更好地泛化到未知数据，因为它提供了更多的信息来训练模型，而不是简单地“记住”训练数据。因此，增加训练集量通常不会导致过拟合。 B选项：减少神经网络隐藏层节点数可以降低模型的复杂度。这有助于防止过拟合，因为它限制了模型能够学习的函数类型的复杂性。因此，减少神经网络隐藏层节点数通常不会导致过拟合。 C选项：删除稀疏的特征也可以帮助防止过拟合。稀疏特征是指那些在训练集中很少或从不出现的特征。这些特征可能包含噪声或不相关信息，删除它们可以使模型更简单，从而防止过拟合。 D选项：SVM算法中使用高斯核/RBF核代替线性核可能会导致过拟合。高斯核/RBF核允许模型学习更复杂的决策边界，这可能导致模型过于复杂并过度拟合训练数据。与线性核相比，它提供了更大的灵活性，但也可能增加过拟合的风险。 因此，最容易引起机器学习中过拟合问题的是D选项：SVM算法中使用高斯核/RBF核代替线性核。查看全部