k-近邻法中k的选取一般为偶数。

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。

基于数据的方法适用于特征和类别关系不明确的情况。

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。

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。

概率密度函数的参数估计需要一定数量的训练样本，样本越多，参数估计的结果越准确。

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。

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。

动态顺序前进法（l-r）法是按照单步最优的原则从未入选的特征中选择l个特征，再从已入选的特征中剔除r个特征，使得仍保留的特征组合所得到的J值最大。

我们在对某一模式x进行分类判别决策时，只需要算出它属于各类的条件风险就可以进行决策了。