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。

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。

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。

C均值聚类算法对噪声和孤立点不敏感。

下面关于交叉验证法的说法中正确的是（）。

参数估计是已知概率密度的形式，而参数未知。

多类问题的贝叶斯分类器中判别函数的数量与类别数量是有直接关系的。

k-近邻法中k的选取一般为偶数。

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。

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。