运行下面代码的输出结果为（）。
a=np.array（[[1，2]，[3，4]，[5，6]]）
print（np.insert （a，3，[11，12]））

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。（）

L1范数比L2范数更易于获得稀疏解，即L1求得的会有更少的非零分量。（）

正确率、召回率取值都在0和1之间，数值越接近0，查准率或查全率就越高。（）

在机器学习中，随着树中节点数变得太大，即使模型的训练误差还在继续减低，但是检验误差开始增大，这是出现了模型拟合不足的问题。（）

回归问题和分类问题都有可能发生过拟合。（）

Logistic回归目标函数是最小化后验概率。（）