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。

訓(xùn)練神經(jīng)網(wǎng)絡(luò)具有過度擬合訓(xùn)練數(shù)據(jù)的潛在問題。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

當(dāng)反向傳播算法運(yùn)行到達(dá)到最小值時，無論初始權(quán)重是什么，總是會找到相同的解（即權(quán)重）。

由于決策樹學(xué)會了對離散值輸出而不是實值函數(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。

管理員不需要驗證就可以訪問數(shù)據(jù)存儲系統(tǒng)中的任何數(shù)據(jù)，這符合數(shù)據(jù)安全的要求。

非結(jié)構(gòu)化數(shù)據(jù)也可以使用關(guān)系型數(shù)據(jù)庫來存儲。

最大似然估計的一個缺點(diǎn)是，在某些情況下（例如，多項式分布），它可能會返回零的概率估計。

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，因為SVM通常能夠在訓(xùn)練集上實現(xiàn)更好的分類精度。