對于文本數(shù)據(jù)和多媒體數(shù)據(jù)進(jìn)行特征提取是為了方便對于這類數(shù)據(jù)的觀察和理解。

要將工作申請分為兩類，并使用密度估計來檢測離職申請人，我們可以使用生成分類器。

由于決策樹學(xué)會了對離散值輸出而不是實(shí)值函數(shù)進(jìn)行分類，因此它們不可能過度擬合。

任何對數(shù)據(jù)處理與存儲系統(tǒng)的操作均需要記錄，這符合數(shù)據(jù)安全的要求。

當(dāng)MAP中使用的先驗(yàn)是參數(shù)空間上的統(tǒng)一先驗(yàn)時，MAP估計等于ML估計。

數(shù)據(jù)索引就像給每條數(shù)據(jù)裝了個信箱。

公司內(nèi)部收集的數(shù)據(jù)不存在需要考慮數(shù)據(jù)隱私的環(huán)節(jié)。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

假設(shè)屬性的數(shù)量固定，則可以在時間上以線性方式學(xué)習(xí)基于高斯的貝葉斯最優(yōu)分類器，而該數(shù)量是數(shù)據(jù)集中記錄的數(shù)量。

無論質(zhì)心的初始化如何，K-Means始終會給出相同的結(jié)果。