分支定界法计算量一定比穷举法小。

概率密度函数的估计的本质是根据训练数据来估计概率密度函数的形式和参数。

当各类的协方差矩阵相等时，分类面为超平面，并且与两类的中心连线垂直。

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。

k-近邻法中k的选取一般为偶数。

一个数据集能生成多种决策树。

C均值聚类算法对噪声和孤立点不敏感。

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。

下面关于超平面的说法中正确的是（）。