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。

C均值聚类算法对噪声和孤立点不敏感。

ID3方法的目的是降低系统信息熵。

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。

测试集的样本数量越多，对分类器错误率的估计就越准确。

参数估计是已知概率密度的形式，而参数未知。

k-近邻法中k的选取一般为偶数。

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。

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。

基于数据的方法适用于特征和类别关系不明确的情况。