运行下面代码的输出结果为（）。
arr=np.array （[1，5，3]）
arr l=np.array （[2，4，6]）
print（arr<arr1）

k近邻学习是一种常用的无监督学习方法，其工作机制为给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个邻居的信息来进行预测。（）

KNN算法可以较好地避免样本的不平衡问题。（）

机器学习可以解决给定数据的预测问题，也可以解决大数据存储和并行计算。（）

分类预测型任务从已分类的数据中学习模型，并对新的未知分类的数据使用该模型进行解释，得到这些数据的分类。根据标签的不同，分别称为分类任务和预测任务。如果标签是连续的类别，称为预测任务。（）

分类规则的挖掘方法通常有机器学习法、贝叶斯法、人工机器学习法、粗糙集法和遗传算法。（）

Support Vector Machine的目标是找到使得训练数据尽可能分开且分类间隔最大的超平面，应该属于结构风险最小化。（）

Logistic Regression和Support Vectpr Machine都可以处理分类问题，且一般都用于处理线性二分类问题。（）

进行PCA降维时需要计算协方差矩阵。（）

支持向量机是针对二分类任务设计的，也可直接应用于多分类任务。（）

包裹式特征选择针对给定学习器进行优化，从最终学习器性能来看，该方法比过滤式选择更好，但由于需多次训练学习器，它的特征选择的计算开销通常比前者要大得多。（）