感知机属于生成模型还是判别模型？

多层感知机解决线性不可分问题的原理是：

略

距离度量需满足的基本性质有：非负性，同一性，对称性，直递性

正确

DBSCAN是基于划分的聚类

DBSCAN是基于密度的聚类

关于因子图，说法错误的是：

D 有向图也能转化为因子图

关于贝叶斯网络，说法错误的是：

C独立关系会大大减少计算量

朴素贝叶斯法属于生成模型。

朴素贝叶斯法实际上是学习到生成数据的机制，所以属于生成模型。

朴素贝叶斯法没有明确的搜索可能假设空间的过程。

朴素贝叶斯法的假设形成不需要搜索，只是简单地计算训练样例中不同数据组合的出现频率就可以了。

为什么需要半朴素贝叶斯分类器？

半朴素贝叶斯分类器适当考虑一部分属性之间的相互依赖信息，从而既不需要进行联合概率计算，又不至于彻底忽略比较强的属性依赖关系，是为了解决后验概率P(c∣x)计算起来比较困难、属性条件独立性假设在现实任务中往往很难成立等问题。

Gibbs采样收敛慢。

Markov chain需要很长时间才能趋于平稳分布，因此Gibbs采样收敛慢。

凸优化的任何局部最优解就是全局最优解。

根据凸优化求解问题的特点可得：正确。

线性支持向量机通过软间隔最大化将线性可分问题扩展到线性不可分问题？

SVM的效率依赖于：

SVM的效率依赖于以上三个基本要求，它能够提高效率，降低误差和过拟合

利用核技巧时，对于给定的核，特征空间和映射函数的取法是唯一的。

序列最小最优化算法（SMO）的基本思路是：如果所有变量的解都满足此最优化问题的（）条件，那么得到解；否则，选择（）个变量，固定其他变量，针对其构建一个二次规划问题，称为子问题。

略