在神经网络学习中，每个神经元会完成若干功能，下面哪个功能不是神经元所能够完成的功能

()学派认为未知参数与其他变量一样，都是随机变量，因此参数估计和变量推断能统一在推断框架下进行。

若变量间存在显式的因果关系，则常使用()模型。

在已知模型的环境中学习称为()。

()网络是一种竞争学习型的无监督神经网络，它能将高维输入数据映射到低维空间，同时保持输入数据在高维空间的拓扑结构，即将高维空间中相似的样本点映射到网络输出层中的临近神经元。

()是一种单隐层前馈神经网络，它使用径向基函数作为隐层神经元激活函数，而输出层则是对隐层神经元输出的线性组合

神经网络中最基本的成分是()模型。

机器学习在()正式被视为“解决知识工程瓶颈问题的关键”而走上人工智能主舞台的。

剪枝方法和程度对决策树泛化性能的影响相当显著，有实验研究表明，在数据带有噪声时通过剪枝甚至可将决策树的泛化性能提高()。

()中期，“统计学习”闪亮登场并迅速占据主流舞台，代表性技术是支持向量机以及更一般的“核方法”。

假设我们要解决一个二类分类问题，我们已经建立好了模型，输出是0或1，初始时设阈值为05，超过05概率估计，就判别为1，否则就判别0；如果我们现在用另一个大于05的阈值，那么现在关于模型说法，正确的是？1模型分类的召回率会降低或不变2模型分类的召回率会升高3模型分类准确率会升高或不变 4模型分类准确率会降低