激活函数对于神经网络模型学习、理解非常复杂的问题有着重要的作用，以下关于激活函数说法正确的是

A. 离散化本质是将连续型数据分段 $;$数据中的离群值，会增强模型对于数据离群值的鲁棒性 $;$离散化后的特征，其取值均转化为有明确含义的区间号 $;$将连续型特征离散化后，特征的取值大大减少。

A. 增加网络层数，总能减小训练集错误率$;$减小网络层数，总能减小测试集错误率$;$增加网络层数，可能增加测试集错误率$;$

A. 8$;$10$;$12$;$16

A. 复杂性和明确性$;$进化和相对性$;$客观性和依附性$;$可重用性和共享性

A. [‘abc’,123][2]$;$[‘abc’,123][0][3]$;$(1,2,3,‘abc’)[3][3]$;${1:‘123’,2:123}[1][3]

A. 自然语言系统$;$机器学习$;$专家系统$;$人类感官模拟

A. 不定长
$;$收集
$;$可变
$;$不可变

A. 软间隔$;$硬间隔$;$核函数$;$以上选项均不正确

A. 主成分分析$;$因子分析$;$独立主成分分析$;$SVM

A. 递归函数必须有基例$;$
递归函数的基例不再进行递归$;$
每个递归函数都只能有一个基例$;$
递归函数的基例决定递归的深度