A、支持向量机复杂度主要与支持向量的数目有关
B、 支持向量机训练完成后，大部分的训练样本都不需保留，最终模型仅与支持向量有关
C、SVM中划分超平面所产生的分类结果是最鲁棒的，对未见
示例的泛化能力最强.
D、 “异或”问题可能会导致空间中样本线性不可分
答案：ABCD
解析：见算法解析
A、支持向量机复杂度主要与支持向量的数目有关
B、 支持向量机训练完成后，大部分的训练样本都不需保留，最终模型仅与支持向量有关
C、SVM中划分超平面所产生的分类结果是最鲁棒的，对未见
示例的泛化能力最强.
D、 “异或”问题可能会导致空间中样本线性不可分
答案：ABCD
解析：见算法解析
A. 样本数量太少
B. 样本数量过多
C. 模型太复杂
D. 模型太简单
A. 理解别人讲的话
B. 对自然语言表示的信息进行分析概括或编辑
C. 欣赏音乐
D. 机器翻译
解析：自然语言处理不是为了让计算机欣赏音乐
A. 通用性强
B. 可无限地重新编程
C. 结构具有较高灵活性
D. 速度和能耗优于ASIC
A. 自然语言理解和自然语言转化
B. 自然语言理解和自然语言生成
C. 自然语言理解和自然语言翻译
D. 自然语言生成和自然语言翻译
A. 产生式规则
B. 归纳推理
C. 决策树
D. 神经网络
解析：机器学习方法属于基于获取知识的表示分类的是产生式规则、决策树、神经网络
A. 4004
B. 8080
C. 8008
D. 6006
A. FP-growth
B. EClat
C. 聚类
D. Apdori
A. 训练一个Bagging集成与直接使用基学习算法训练一个学习器的复杂度同阶，因此Bagging是一个很高效的集成学习算法
B. 为处理多分类或回归任务，Bagging需进行修改
C. 从偏差-方差分解的角度看，Bagging主要关注降低偏差
D. Bagging的性能依赖于基分类器的稳定性。
解析：见算法解析
解析：字节是最基本的单位，其上是字等
