在同一个作用域内，局部变量会隐藏同名的全局变量。（）

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（）。

机器学习中L1正则化和L2正则化的区别是（）。

（）情况下，LDA会失败。

（）特征选择是直接把最终将要使用的学习器的性能作为特征子集的评价准则。

下列不属于特征选择的标准方法的是（）。

（）算法可以用于特征选择。

假设precision=TP/（TP+FP），recall=TP/（TP+FN），则在二分类问题中，当测试集的正例和负例数量不均衡时，下列评价方案中相对不合理的是（）。

在其他条件不变的前提下，（）容易引起机器学习中的过拟合问题。

有N个样本，一半用于训练，一半用于测试。若N增大，则训练误差和测试误差之间的差距会（）。