分支定界法计算量一定比穷举法小。

k-近邻法中k的选取一般为偶数。

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。

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。

测试集的样本数量越多，对分类器错误率的估计就越准确。

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。

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。

隐含层或输出层具有激活函数。

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。