下列说法关于决策树和支持向量机的说法不正确的是（）

A.在支持向量机中，如何选择“平面”并不重要。#B.我们使用支持向量机时，如果能找到一个平面，使得在其两侧，两类样本之间的间隔尽可能大，则该平面就是优秀的分割平面。#C.为达到间隔最大的目标，只需要看距离平面最近的几个样本，它们代表着间隔。称为“支持向量”。#D.1967年，俄罗斯数学家Vapnik等人提出最大间隔超平面的思想；1992年，Boser将 核方法应用于最大间隔超平面；1995年，Corinna Cortes和Vapnik提出使用“软间隔”思想；机器学习领域大名鼎鼎，直接导致2000年代统计机器学习的繁荣。

A.K近邻算法中K值的选择对分类的结果影响不大

B.模型测试阶段的测试数据集不能与训练数据集有交集

C.决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用

D.支持向量机模型中距离平面最近的几个样本对平面的选择影响最大

A.K近邻算法中K值的选择对分类的结果影响不大

B.模型测试阶段的测试数据集不能与训练数据集有交集

C.决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用

D.支持向量机模型中距离平面最近的几个样本对平面的选择影响最大

A.K近邻算法中K值的选择对分类的结果影响不大

B.模型测试阶段的测试数据集不能与训练数据集有交集

C.决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用

D.支持向量机模型中距离平面最近的几个样本对平面的选择影响最大

A.K近邻算法中K值的选择对分类的结果影响不大

B.模型测试阶段的测试数据集不能与训练数据集有交集

C.决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用

D.支持向量机模型中距离平面最近的几个样本对平面的选择影响最大

A.K近邻算法中K值的选择对分类的结果影响不大

B.模型测试阶段的测试数据集不能与训练数据集有交集

C.决策树算法中最能将样本数据显著分开的属性应该在决策早期就使用

D.支持向量机模型中距离平面最近的几个样本对平面的选择影响最大

A.Naïve Bayes（朴素贝叶斯）是一种概率分类器

B.SVM（支持向量机）在向量空间构造超平面，以区分不同类别的样本

C.决策树基于树结构进行决策，从树根到一个叶子的路径对应一个分类规则

D.SVM（支持向量机）和K-NN（K-近邻）都有模型的训练过程（构造分类模型）