類域介面方程法中，不能求【線性不可分情況】下分類問題近似或精確解的方法是？(D)

A 偽逆法-徑向基（ＲＢＦ）神經網路的訓練演算法，就是解決線性不可分的情況

B 基於二次準則的H-K演算法：最小均方差準則下求得權向量，二次準則解決非線性問題

C 勢函式法－非線性

D 感知器演算法－線性分類演算法

Fisher 線性判別函式的求解過程是將N維特徵向量投影在（）中進行求解？

線性，當然一維

影響聚類演算法效果的主要原因有：（ABC　）

A 特徵選取

B 模式相似性測度

C 分類準則

D 已知類別的樣本質量------------聚類演算法是無監督訓練，若已知類別的樣本則是監督學習的內容

下面說法正確的是？

梯度下降有時會陷於區域性極小值，但ＥＭ演算法不會。錯誤

ＳＶＭ對噪聲魯棒。錯誤

當訓練資料較多時更容易發生過擬合。錯誤

給定ｎ個數據點，如果其中一半用於訓練，另一半用於測試，則訓練誤差和測試誤差之間的差別會隨著ｎ的增加而減小。正確

梯度下降就是對引數求偏導，會陷入區域性最小值，

EM就是最大期望演算法（Expectation Maximization Algorithm，又譯期望最大化演算法），是一種迭代演算法，用於含有隱變數（latent variable）的概率引數模型的最大似然估計或極大後驗概率估計。比如先假定男生身高平均1.7 方差0.1 然後求將ABCDEFG歸類，分到1.7左邊右邊，重新求方差，反覆迭代，直到不再變化。

訓練資料少才會過擬合。

訓練資料多會減少偏差。

考慮兩個分類器：1）核函式取二次多項式的SVM分類器和2）沒有約束的高斯混合模型（每個類別為一個高斯模型）。我們對R2空間的點進行兩類分類。假設資料完全可分，SVM分類器中不加鬆弛懲罰項，並且假設有足夠多的訓練資料來訓練高斯模型的協方差。下面說法正確的是？

SVM的VC維大於高斯混合模型的VC維

SVM的VC維小於高斯混合模型的VC維 ---正確

兩個分類器的結構風險值相同

這兩個分類器的VC維相同

VC維（Vapnik-Chervonenkis Dimension）的概念是為了研究學習過程一致收斂的速度和推廣性，由統計學理論定義的有關函式集學習效能的一個重要指標。

所謂混合高斯模型（GMM）就是指對樣本的概率密度分佈進行估計，而估計採用的模型（訓練模型）是幾個高斯模型的加權和（具體是幾個要在模型訓練前建立好）。每個高斯模型就代表了一個類（一個Cluster）。對樣本中的資料分別在幾個高斯模型上投影，就會分別得到在各個類上的概率。然後我們可以選取概率最大的類所為判決結果。