特征选择常用的次优算法有顺序前进法，顺序后退法和动态顺序前进法三种。

在总的样本集不是很大的情况下，可以采用交叉验证法来较好的估计分类器性能。

理想的判据应该对特征具有单调性，加入新的特征不会使判据减小。

顺序前进法的缺点是不能剔除已入选的特征，无法保证全局最优。

测试集的样本数量越多，对分类器错误率的估计就越准确。

神经网络的模型受到哪些因素的影响？（）

概率密度函数的估计的本质是根据训练数据来估计概率密度函数的形式和参数。

动态顺序前进法（l-r）法是按照单步最优的原则从未入选的特征中选择l个特征，再从已入选的特征中剔除r个特征，使得仍保留的特征组合所得到的J值最大。

过拟合不会影响分类模型的泛化能力。

利用神经网络对两类问题进行分类时，可以用一个输出节点来实现。