下列机器学习方法属于基于获取知识的表示分类的是

决策树是一种基于树结构进行决策的算法。

若网络结构已知，即属性间的依赖关系已知，则贝叶斯网的学习过程相对简单，只需通过对训练样本"计数"。

当训练数据近似线性可分时，通过硬间隔最大化，也学习一个线性的分类器，即线性支持向量机，又称为硬间隔支持向量机。

XGBoost使用了一阶和二阶偏导，二阶导数有利于梯度下降的更快更准。使用泰勒展开取得二阶倒数形式， 可以在不选定损失函数具体形式的情况下用于算法优化分析。

k近邻法对给定的训练实例点和输入实例点，首先确定输入实例点的k个最近邻训练实例点，然后利用这k个训练实例点的类的多数来预测输入实例点的类。

感知机学习算法可以直观解释为：当一个实例点被误分类，即位于分离超平面的错误一侧时，则调整模型权重，使分离超平面向该误分类点的一侧移动，以减少该误分类点与超平面之间的距离，直至超平面越过该误分类点使其被正确分类。

K近邻算法的目标是从大量的数据中通过算法搜索隐藏于其中的知识。

步态识别是一种新兴的生物特征识别技术，旨在通过人们走路的姿态进行身份识别，与其他的生物识别技术相比，步态识别具有非接触远距离和不容易伪装的优点。

1986年，Hinton等人提出了长短期记忆模型（LSTM）。

从被触发规则中选择一个规则来执行，被执行的规则称为可触发规则。（F）