顺序后退法（SBS）是从0个特征开始，每次从已经入选的特征中剔除一个特征，使得仍保留的特征组合所得到的J值最大，是一种特征选择的最优算法。

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。

在监督模式识别中，分类器的形式越复杂，对未知样本的分类精度就越高。

基于数据的方法适用于特征和类别关系不明确的情况。

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。

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（）。

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。

贝叶斯估计中是将未知的参数本身也看作一个随机变量，要做的是根据观测数据对参数的分布进行估计。

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。