当决策树出现过拟合后，需要使用（）技术来缩小树的结构和规模。

A.Bagzing改进了预测准确率，也具有非常好的解释性
B.由于每一个样本被选中的概率相同，因此装袋并不侧重于训练数据集中的任何特定实例
C.对于噪声数据，装袋不太受过分拟合的影响
D.Bagging通过降低基学习器的方差改善了泛化误差

A.无监督学习
B.强化学习
C.监督学习
D.半监督学习

A.Wrapper方法由于每次对子集的评价都要进行分类器的训练和测试，所以算法计算复杂度很高
B.Trapper方法选出的特征通用性较强，当改变学习算法时，也不需要针对该学习算法重新进行特征选择
C.相对于Filter（过滤法），Wrapper方法找到的特征子集分类性能通常更好
D.对于大规模数据集来说，Wrapper算法的执行时间很长