由于分類是回歸的一種特殊情況，因此邏輯回歸是線性回歸的一種特殊情況。

當數(shù)據(jù)集標簽錯誤的數(shù)據(jù)點時，隨機森林通常比AdaBoost更好。

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。

如果P（A B）= P（A），則P（A∩B）= P（A）P（B）。

給定用于2類分類問題的線性可分離數(shù)據(jù)集，線性SVM優(yōu)于感知器，因為SVM通常能夠在訓練集上實現(xiàn)更好的分類精度。

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

數(shù)據(jù)索引就像給每條數(shù)據(jù)裝了個信箱。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

通常，當試圖從大量觀察中學習具有少量狀態(tài)的HMM時，我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓練數(shù)據(jù)的可能性。

當反向傳播算法運行到達到最小值時，無論初始權重是什么，總是會找到相同的解（即權重）。