假設(shè)屬性的數(shù)量固定，則可以在時間上以線性方式學(xué)習(xí)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。

數(shù)據(jù)存儲體系中并不牽扯計算機(jī)網(wǎng)絡(luò)這一環(huán)節(jié)。

數(shù)據(jù)索引就像給每條數(shù)據(jù)裝了個信箱。

數(shù)據(jù)復(fù)制或者備份均是為了從提高數(shù)據(jù)并發(fā)這個角度來設(shè)計和實(shí)現(xiàn)的。

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。

數(shù)據(jù)壓縮與解壓縮可以使得數(shù)據(jù)處理的速度加快。

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?yàn)镾VM通常能夠在訓(xùn)練集上實(shí)現(xiàn)更好的分類精度。

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。

如果P（A B）= P（A），則P（A∩B）= P（A）P（B）。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。