无监督式学习算法的难度低于监督式学习算法。

判断题特征的个数越多，模式识别的效果越准确。

判断题对于k折交叉验证，k越大不一定越好，选择大的k会加大评估时间。

判断题监督式学习指的是训练样本及输出真值都给定的机器学习算法。

判断题逻辑斯蒂回归对于离散属性值的处理，若属性值之间存在“序”关系：通过连续化将其转化为连续值。

多项选择题关于ECOC的描述正确的是（）

A.对同一个学习任务，编码越长、纠错能力越强
B.对分类器错误有一定容忍和修正能力
C.对同等长度的编码，理论上来说，任意两个类别之间的编码距离越远，则纠错能力越强
D.编码的理论性质越好，分类性能就越好

多项选择题逻辑斯蒂回归的优点有（）

A.直接对分类可能性进行预测
B.无需事先假设数据分布，避免了假设分布不准确所带来的问题
C.是任意阶可导的凸函数，可直接应用现有数值优化算法求取最优解
D.对概率辅助决策的任务有用

单项选择题对数几率回归是一种（）方法。

A.分类
B.回归
C.聚类
D.降维

单项选择题线性回归，通过学得一个（）以尽可能准确地预测实值输出类别。

A.非线性模型
B.函数
C.线性模型
D.编码

判断题在贝叶斯学习的过程中，训练样本数量越多，估计值越接近与真实值。

单项选择题下列表达中不能影响贝叶斯估计结果的是（）

A.损失函数的形式
B.样本的数量
C.待估计参数的后验概率
D.数据的线性变换

判断题相邻两个决策区域的决策面上的判别函数值是相等的。

判断题贝叶斯分类器中只有一个判别函数。

判断题二分分类器可以看作是计算一个简单的判别函数g（x），并根据结果的符号对x进行分类的机器。

判断题错误率是所有服从同样分布的独立样本上错误概率的平均值。

判断题基于最小错误率的贝叶斯决策的核心思想是将样本判别为后验概率最大的类别。