Scikit-Learn中，（）可以更好帮助参数调优和选择模型。

下列关于降维算法中主成分分析的说法错误的是（）。

有两个样本点，第一个点为正样本，它的特征向量是（0，-1）；第二个点为负样本，它的特征向量是（2，3）。从这两个样本点组成的训练集构建一个线性SVM分类器的分类面方程是（）。

如果一个SVM模型出现欠拟合，那么（）能解决这一问题。

下列关于支持向量的说法正确的是（）。

下列关于支持向量回归的说法错误的是（）。

对于SVM分类算法，待分样本集中的大部分样本不支持向量，下列说法正确的是（）。

任何一个核函数都隐式地定义了一个（）空间。

为了允许支持向量机在一些样本上出错，引入（）的概念。

核矩阵是（）的。

已知一个数据集，n为特征数，m为训练样本数，如果n较小，而且m大小中等（例如n为1~1000，而m为10~10000），则一般选择（）。