请在 下方输入 要搜索的题目：
推荐参考答案 (
由 搜题小帮手 官方老师解答 )
答案：
以下文字与答案无关
提示：有些试题内容 显示不完整,文字错误 或者 答案显示错误等问题，这是由于我们在扫描录入过程中 机器识别错误导致,人工逐条矫正总有遗漏，所以恳请 广大网友理解。
相关试题
- 1.下列说法错误的是？选项： A:在聚类分析中，簇之间的相似性越大，簇内样本的差别越大，聚类的效果就越好; B:聚类分析可以看作是一种非监督的样本分组过程; C:k均值算法是一种常用的聚类算法，簇的个数算法不能自动确定; D:k均值算法的计算耗时与初始假设聚类中心的位置有关
- 2.K均值是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定
- 3.K均值是一种产生划分聚类的基于密度的聚类算法,簇的个数由算法自动地确定。A、对B、错
- 4.k-均值算法是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定。A.正确B.错误
- 5.K均值是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动确定。A.正确B.错误
- 6.K-means是一种产生划分聚类的基于密度的聚类算法,簇的个数由算法自动地确定。A.正确B.错误
- 7.K-均值算法是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动的确定。A.正确B.错误
- 8.以下关于K-means算法说法正确的有哪些？（） 选项： A:K-Means算法是典型的基于距离的划分式聚类算法 B:其中的k代表类簇个数 C:Means代表类簇内数据对象的均值为类簇中心 D:Means聚类算法也叫又称为k-均值算法
- 9.聚类（ clustering ）是这样的过程：它找出描述并区分数据类或概念的模型 ( 或函数 ) ，以便能够使用模型预测类标记未知的对象类。（）选项： A:正确; B:错误
- 10.聚类分析有多种不同的方法，包括基于划分的聚类、基于层次的聚类、基于密度的聚类、基于网格的聚类、基于模型的聚类等，其中，基于划分的聚类方法与其他方法相比能够获得任意形状的簇。
- 11.关于聚类分析,正确的是()。 选项： A、"簇"越少说明聚类效果越好 B、聚类是有监督学习方法 C、聚类可作为分类等其他任务的预处理过程 D、同一个数据集,不同的聚类算法得到的结果是一样的
- 12.关于DBSCAN算法，以下说法不正确的是（） 选项： A:在DBSCAN算法中，将点分类核心点、边界点和噪音点三类 B:DBSCAN算法，需要指定聚类后簇的个数 C:DBSCAN算法是一种基于划分的聚类算法 D:DBSCAN算法是一种基于密度的聚类算法
- 13.关于DBSCAN算法，以下说法正确的是：选项： A:在DBSCAN算法中，将点分类核心点、边界点和噪音点三类; B:DBSCAN算法，需要指定聚类后簇的个数; C:DBSCAN算法是一种基于划分的聚类算法; D:DBSCAN算法是一种基于密度的聚类算法
- 14.关于DBSCAN算法，以下说法正确的是：选项： A:在DBSCAN算法中，将点分类核心点、边界点和噪音点三类; B:DBSCAN算法，需要指定聚类后簇的个数; C:DBSCAN算法是一种基于划分的聚类算法; D:DBSCAN算法是一种基于密度的聚类算法
- 15.关于DBSCAN算法，以下说法正确的是：A.在DBSCAN算法中，将点分类核心点、边界点和噪音点三类B.DBSCAN 算法，需要指定聚类后簇的个数C.DBSCAN 算法是一种基于划分的聚类算法D.DBSCAN 算法是一种基于密度的聚类算法
- 16.下列关于聚类标准的说法正确的是( )。 选项： A、簇内距离和簇间聚类尽可能大 B、 簇内距离和簇间聚类尽可能小 C、 簇内距离尽量大、簇间聚类尽可能小 D、 簇内距离尽量小、簇间聚类尽可能大
- 17.20.关于聚类描述不正确的是（ ）。 A: 聚类是一种无监督机器学习方式 B: 聚类的类别是已知的 C: 聚类的簇内关联越密切说明聚类方法越好 D: 聚类和分类区别在于数据是否标注
- 18.下列关于聚类模型的说法不正确的是选项： A:聚类模型属于无监督学习; B:聚类模型的本质是寻找数据集内在的分布结构; C:经过聚类之后的数据集形成不同的簇，同簇的样本相似度低，簇间的样本相似度高; D:聚类模型作为独立的分析过程，通常不和其他数据分析任务结合叠加
- 19.20.关于聚类描述不正确的是（ ）。 选项： A、聚类是一种无监督机器学习方式 B、聚类的类别是已知的 C、聚类的簇内关联越密切说明聚类方法越好 D、聚类和分类区别在于数据是否标注
- 20.关于k均值聚类算法下列说法错误的是() 选项： A、根据样本到聚类中心点的距离决定样本所在的簇 B、簇的个数算法不能自动确定 C、初始假设聚类中心点不同可能导致不同的聚类结果 D、初始假设聚类中心点必须设置在真实中心点附近
