若两类模式是线性可分的，即存在一个线性超平面能将它们分开，则感知机的学习过程一定会收敛。（ ）
举一反三
- 单层感知机对于线性不可分的数据，学习过程也可以收敛。（)
- 关于线性和非线性支持向量机的描述，以下哪种说法不对 A: 当训练样本线性可分时，通过硬间隔最大化，学习一个线性分类器，即线性可分支持向量机； B: 当训练数据近似线性可分时，引入松弛变量，通过软间隔最大化，学习一个线性分类器，即线性支持向量机； C: 当训练数据线性不可分时，通过使用核技巧及软间隔最大化，学习非线性支持向量机； D: 线性可分支持向量机利用间隔最大化求得最优分离超平面，这时的解不是唯一的
- 线性可分支持向量机利用间隔最大化求得最优分离超平面
- 以下关于感知器算法说法正确的为 A: 只要是训练数据集线性可分，感知器算法就一定能收敛。 B: 感知机学习算法存在许多的解，对同一个训练集来说，感知机初值的选择不同，最后得到的解就可能不同。 C: 当训练数据集线性不可分的情况下，袋式算法(PocketAlgorithm)使感知机也可以收敛于一个相对理想的解。 D: 多层感知器是感知器的推广，克服了感知器不能对线性不可分数据进行识别的弱点。
- 对于线性可分的训练数据而言，线性可分分离超平面有无穷多个，几何间隔最大的分离超平面也有无穷多个。