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。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

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(dāng)數(shù)據(jù)集標(biāo)簽錯誤的數(shù)據(jù)點(diǎn)時(shí)，隨機(jī)森林通常比AdaBoost更好。

數(shù)據(jù)存儲體系中并不牽扯計(jì)算機(jī)網(wǎng)絡(luò)這一環(huán)節(jié)。

最大似然估計(jì)的一個(gè)缺點(diǎn)是，在某些情況下（例如，多項(xiàng)式分布），它可能會返回零的概率估計(jì)。

選擇用于k均值聚類的聚類數(shù)k的一種好方法是嘗試k的多個(gè)值，并選擇最小化失真度量的值。

支持向量機(jī)不適合大規(guī)模數(shù)據(jù)。

如果P（A B）= P（A），則P（A∩B）= P（A）P（B）。

使用偏差較小的模型總是比偏差較大的模型更好。