假設屬性的數(shù)量固定，則可以在時間上以線性方式學習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。

小數(shù)據(jù)集的數(shù)據(jù)處理最好也由計算機手段來完成。

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。

經(jīng)常跟管理層打交道并進行有效地關于商業(yè)領域的討論有助于數(shù)據(jù)科學項目的成功。

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的多個值，并選擇最小化失真度量的值。

對于文本數(shù)據(jù)和多媒體數(shù)據(jù)進行特征提取是為了方便對于這類數(shù)據(jù)的觀察和理解。

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)裝了個信箱。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

當數(shù)據(jù)集標簽錯誤的數(shù)據(jù)點時，隨機森林通常比AdaBoost更好。