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。

隐含层或输出层具有激活函数。

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。

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。

k-近邻法中k的选取一般为偶数。

C均值聚类算法对噪声和孤立点不敏感。

利用神经网络对两类问题进行分类时，可以用一个输出节点来实现。

在感知器算法中训练样本需要经过增广化处理和规范化处理。

在总的样本集不是很大的情况下，可以采用交叉验证法来较好的估计分类器性能。

ID3方法的目的是降低系统信息熵。