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。

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。

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。

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。

下面关于超平面的说法中正确的是（）。

参数估计是已知概率密度的形式，而参数未知。

fisher线性判别方法可以将样本从多维空间投影到一维空间。

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。

隐含层或输出层具有激活函数。

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。