一种典型的机器学习方法的设计分类器的过程包括：所使用的数据集被划分为训练集和测试集，在训练集上训练分类器，然后在测试集上评价分类器的性能。

机器学习系统中通常将数据集划分为训练集和测试集，其中被用来学习得到系统的参数取值的是（）。

机器学习系统中通常将数据集划分为训练集和测试集，其中被用来学习得到模型中参数值的是（）。

样本表示过程是将样本表示为（）的集合。

为进行分类模型的训练和性能评价，需要将输入的标注数据划分为（）。

作为分类器的性能评价方法，K折交叉验证把数据集划分为K份，其中K-1份作为训练集，1份作为测试集，全部轮流使用，总计循环（）次来评估算法的性能。

基于bankpep数据集，划分训练集与测试集，建立分类模型。 1) 使用决策树建立分类模型，记录模型在测试集上的性能； 2) 自学朴素贝叶斯、支持向量集建立分类模型的方法，记录模型在测试集上的性能； 3) 使用使用梯度提升机以及XGBoost训练分累模型，并与步骤1、2的结果进行比较。 4) 本次作业需提交源代码和结果分析报告，分析报告说明使用的数据集，数据集特征项、数据量大小、尝试的每种方法、获得的结果。最后绘图比较这些方法在性能上的差别。

同一个数据集上，通常使用随机森林的方法训练分类模型需要的时间比C4.5决策树更长。

图像分类数据集最早是手写字的数据集的使用。它是早期最流行的图像识别数据集，使用手写数字。它包括6万个示例和1万个示例的测试集。

在机器学习中，如果数据较少，同时采用的模型较复杂，得到的模型在给定的训练集上误差非常小，接近于0，但是在训练集之外的数据上预测效果很差，这种现象称为（）。

监督学习不区分训练集与测试集，样本没有类别标号。