全局变量会增加不同函数之间的隐式耦合度，从而降低代码可读性，因此应尽量避免过多使用全局变量。（）

如果需要训练的特征维度成千上万，那么针对在高维情形下出现的数据样本稀疏、距离计算困难的问题，可以采取的缓解措施是（）。

机器学习中做特征选择时，可能用到的方法有（）。

（）先对数据集进行特征选择，然后再训练学习器。

对参数进行L2正则，是机器学习常用的防止过拟合的方法。对参数做L2正则时，（）是对参数本身做先验分布假设。

（）算法指的是给定训练样例集，设法将样例投影到一条直线上，使得同类样例的投影点尽可能接近、异类样例的投影点尽可能远离。

下列关于L1正则化与L2正则化的描述错误的是（）。

下列关于分类算法的准确率、召回率、F1值的描述错误的是（）。

特征工程的目的是（）。

多分类LDA将样本投影到N-1维空间，N-1通常远小于数据原有的属性数，可通过这个投影来减小样本点的维数，且投影过程中使用了类别信息，因此LDA也常被视为一种经典的（）技术。

如果建立一个5000个特征、100万个数据的机器学习模型，则有效地应对这样的大数据训练的方法是（）。