下列哪些因素不会增加潜在自动化的复杂性？（）

多变量决策树亦称为斜决策树。

基尼指数越小，数据集的纯度越高。

决策树基本流程遵循简单且直观的分而治之策略。

基于VC维的泛化误差界是是分布无关、数据独立的。

决策树分类器的假设空间VC维可以为无穷大。

基于VC维和Rademacher复杂度推导泛化误差界，所得到的结果均与具体学习算法无关，对所有学习算法都适用。

计算学习理论研究的是关于通过“计算”来进行“学习”的理论。

k均值聚类算法是一种典型的EM算法。

把训练样本自身的一些特点当作了所有潜在样本都会具有的一般性质,会导致泛化性能下降。

“预训练+微调”法以及“权共享”方法都是为了节省训练开销。