关于线性回归的描述,以下说法正确的有（）

Nave Bayes（朴素贝叶斯）是一种特殊的Bayes分类器，特征变量是X，类别标签是C，它的一个假定是（ ）

线性回归方法是假定条件属性和决策属性之间存在线性关系，然后通过训练数据拟合出一个（ ）方程，并使用该方程去预测未知的新实例。

回归分析中定义的（）

最小二乘法就是试图找到一条直线，使所有样本到直线上的（）之和最小。

马尔可夫预测模型是将时间序列看作一个过程，通过对事物不同状态的（）与状态之间转移概率的研究，确定状态变化趋势，预测事物的未来。

在数据挖掘中，比较成熟的预测算法包括Logistic回归模型、（）、决策树、神经网络等

决策树模型刚建立时,有很多分支都是根据训练样本集合中的异常数据（由于噪声等原因）构造出来的。树枝修剪正是针对这类数据（）问题而提出来的。

比较成熟的分类预测模型算法包括Logistic回归模型、广义线性模型、（）、神经网络

关于模型参数（权重值）的描述，错误的说法是

关于集成学习，以下说法错误的是