支持向量機不適合大規(guī)模數(shù)據(jù)。

無論質(zhì)心的初始化如何，K-Means始終會給出相同的結(jié)果。

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

任務調(diào)度系統(tǒng)的設計與實現(xiàn)才能使得數(shù)據(jù)收集工作可以不間斷地按照既定的目標從目標源獲取數(shù)據(jù)。

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。

通常，當試圖從大量觀察中學習具有少量狀態(tài)的HMM時，我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓練數(shù)據(jù)的可能性。

隨機梯度下降每次更新執(zhí)行的計算量少于批梯度下降。

使決策樹更深將確保更好的擬合度，但會降低魯棒性。

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。

使用偏差較小的模型總是比偏差較大的模型更好。