訓練神經(jīng)網(wǎng)絡(luò)具有過度擬合訓練數(shù)據(jù)的潛在問題。

隨機梯度下降每次更新執(zhí)行的計算量少于批梯度下降。

小數(shù)據(jù)集的數(shù)據(jù)處理最好也由計算機手段來完成。

如果P（A B）= P（A），則P（A∩B）= P（A）P（B）。

假設(shè)屬性的數(shù)量固定，則可以在時間上以線性方式學習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。

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。

最大似然估計的一個缺點是，在某些情況下（例如，多項式分布），它可能會返回零的概率估計。

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。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

完整性，一致性，時效性，唯一性，有效性，準確性是衡量數(shù)據(jù)質(zhì)量的六個維度指標。