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。

k-近邻法中k的选取一般为偶数。

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。

剪辑近邻法去除的是远离分类边界，对于最后的决策没有贡献的样本。

下面关于贝叶斯分类器的说法中错误的是（）。

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。

特征提取不仅可以降低特征空间的维度，还可以消除特征之间的相关性。

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。

分支定界法计算量一定比穷举法小。