通常，當(dāng)試圖從大量觀察中學(xué)習(xí)具有少量狀態(tài)的HMM時，我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓(xùn)練數(shù)據(jù)的可能性。

給定用于2類分類問題的線性可分離數(shù)據(jù)集，線性SVM優(yōu)于感知器，因?yàn)镾VM通常能夠在訓(xùn)練集上實(shí)現(xiàn)更好的分類精度。

假設(shè)屬性的數(shù)量固定，則可以在時間上以線性方式學(xué)習(xí)基于高斯的貝葉斯最優(yōu)分類器，而該數(shù)量是數(shù)據(jù)集中記錄的數(shù)量。

由于分類是回歸的一種特殊情況，因此邏輯回歸是線性回歸的一種特殊情況。

非結(jié)構(gòu)化數(shù)據(jù)也可以使用關(guān)系型數(shù)據(jù)庫來存儲。

最大似然估計(jì)的一個缺點(diǎn)是，在某些情況下（例如，多項(xiàng)式分布），它可能會返回零的概率估計(jì)。

無論質(zhì)心的初始化如何，K-Means始終會給出相同的結(jié)果。

通過統(tǒng)計(jì)學(xué)可以推測擲兩個撒子同時選中3點(diǎn)的幾率。

由于決策樹學(xué)會了對離散值輸出而不是實(shí)值函數(shù)進(jìn)行分類，因此它們不可能過度擬合。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。