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。

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

使用偏差較小的模型總是比偏差較大的模型更好。

數(shù)據(jù)索引就像給每條數(shù)據(jù)裝了個(gè)信箱。

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。

數(shù)據(jù)存儲體系中并不牽扯計(jì)算機(jī)網(wǎng)絡(luò)這一環(huán)節(jié)。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

使用正則表達(dá)式可以找到一個(gè)文本文件中所有可能出現(xiàn)的手機(jī)號碼。

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(shí)，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。

選擇用于k均值聚類的聚類數(shù)k的一種好方法是嘗試k的多個(gè)值，并選擇最小化失真度量的值。