概率密度函数的参数估计需要一定数量的训练样本，样本越多，参数估计的结果越准确。

隐含层或输出层具有激活函数。

基于数据的方法适用于特征和类别关系不明确的情况。

分级聚类又叫层次聚类，需要构建聚类树。

在进行交叉验证时，一般让临时训练集较大，临时测试集较小，这样得到的错误率估计就更接近用全部样本作为训练样本时的错误率。

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。

过拟合不会影响分类模型的泛化能力。

类间离散度矩阵代表了每一个类的重心到整个样本集的重心之间的距离。

下面关于贝叶斯分类器的说法中错误的是（）。

当各类的协方差矩阵不等时，决策面是超二次曲面。