在机器学习中，梯度下降算法用于优化模型参数。以下哪项最能准确描述学习率对梯度下降算法的影响？A. 学习率越高，最终结果越准确。B. 学习率的选择与模型的复杂度无关。C. 学习率过低会导致收敛速度过快，可能错过最优解。D. 学习率过高可能导致算法发散，无法找到最优解。

梯度下降算法的核心是通过调整学习率来控制参数更新的步长。本题考查对学习率影响的理解，需明确：

1. 学习率过高会导致参数更新过大，可能跳过最优解或发散，无法收敛；
2. 学习率过低会使收敛速度变慢，但不会直接“错过最优解”；
3. 学习率的选择需结合模型复杂度等实际因素。

选项分析

A. 学习率越高，最终结果越准确

• 错误。学习率过高会导致参数更新幅度过大，可能跳过最优解或陷入发散状态，无法稳定收敛。

B. 学习率的选择与模型的复杂度无关

• 错误。模型复杂度影响学习率选择：复杂模型通常需要更小的学习率以确保训练稳定性。

C. 学习率过低会导致收敛速度过快，可能错过最优解

• 错误。学习率低时收敛速度慢，但不会因“速度过快”而错过最优解，反而是可能需要更多迭代时间。

D. 学习率过高可能导致算法发散，无法找到最优解

• 正确。学习率过高会使梯度下降步长过大，可能越过最优解或陷入不稳定的振荡状态，最终无法收敛。