1、常数阈值函数：常见的选择为0或者0.5。比如取0.5，当给定标签预测值大于它时，被判定为存在，反之不存在。
2、tanh激活函数的优化：它的原始公式为：(Math.exp(x) - Math.exp(-x)) / (Math.exp(x) + Math.exp(-x)) 。
3、为了提高运行效率：转化为2.0 / (1.0 + Math.exp(-2.0 * inputValue)) - 1.0 它们作了等价变换。
4、其中Hj表示标签j出现这一事件，m表示样本总数，s是平滑项，通常取1。Kj[r]数组表示当前标签为1并且K相邻样本中标签为1的个数为r的样本总数。表示当前样本K近邻中标签j为1的个数。
5、其中P(Hj|Cj)表示未知样本K近邻中标签j为1个数为Cj条件下，该样本标签j也为1的概率，P(Hj)表示样本集中标签j为1的概率，P(Cj|Hj)表示当前样本标签j为1条件下，K近邻中标签j为的个数为Cj的概率。
6、multi-label classification problem：多标签分类（或者叫多标记分类），是指一个样本的标签数量不止一个，即一个样本对应多个标签。
