关于K均值和DBSCAN的比较,以下说法不正确的是()。A、K均值丢弃被它识别为噪声的对象,而DBSCAN一般聚类所有对象B、K均值使用簇的基于原型的概念,而DBSCAN使用基于密度的概念C、K均值很难处理非球形的簇和不同大小的簇,DBSCAN可以处理不同大小和不同形状的簇D、K均值可以发现不是明显分离的簇,即便簇有重叠也可以发现,但是DBSCAN会合并有重叠的簇

关于K均值和DBSCAN的比较,以下说法不正确的是()。

  • A、K均值丢弃被它识别为噪声的对象,而DBSCAN一般聚类所有对象
  • B、K均值使用簇的基于原型的概念,而DBSCAN使用基于密度的概念
  • C、K均值很难处理非球形的簇和不同大小的簇,DBSCAN可以处理不同大小和不同形状的簇
  • D、K均值可以发现不是明显分离的簇,即便簇有重叠也可以发现,但是DBSCAN会合并有重叠的簇

相关考题:

给定一组点,使用点之间的距离概念,将点分组为若干簇,不同簇的成员不可以相同。() 此题为判断题(对,错)。

给定一组点,使用点之间的距离概念,将点分组为若干簇,不同簇的成员可以相同。() 此题为判断题(对,错)。

K-means聚类是发现给定数据集的K个簇的算法。() 此题为判断题(对,错)。

每个簇的质心centroid是该簇中所有数据对象的均值。() 此题为判断题(对,错)。

数据挖掘方法中的聚类分析也被称为无制导学习。一个好的聚类分析算法应该使得所得到的______。A.聚簇问的相似性很高,而不同的聚簇内的相似性很低B.聚簇内的相似性很低,而不同的聚簇间的相似性很高C.聚簇间的相似性很低,而不同的聚簇内的相似性很低D.聚簇内的相似性很高,而不同的聚簇间的相似性很低A.B.C.D.

关于聚类算法K-Means和DBSCAN的叙述中,不正确的是( )。A.K-Means和DBSCAN的聚类结果与输入参数有很大的关系B.K-Means基于距离的概念而DBSCAN基于密度的概念进行聚类分析C.K-Means很难处理非球形的簇和不同大小的簇,DBSCAN可以处理不同大小和不同形状的簇D.当簇的密度变化较大时,DBSCAN不能很好的处理,而K-Means则可以

给定由两次运行K均值产生的两个不同的簇集,误差的平方和最大的那个应该被视为较优。

下面关于Jarvis-Patrick(JP)聚类算法的说法不正确的是()。A、JP聚类擅长处理噪声和离群点,并且能够处理不同大小、形状和密度的簇B、JP算法对高维数据效果良好,尤其擅长发现强相关对象的紧致簇C、JP聚类是基于SNN相似度的概念D、JP聚类的基本时间复杂度为O(m)

在基于图的簇评估度量表里面,如果簇度量为proximity(Ci,C),簇权值为mi,那么它的类型是()。A、基于图的凝聚度B、基于原型的凝聚度C、基于原型的分离度D、基于图的凝聚度和分离度

在基本K均值算法里,当邻近度函数采用()的时候,合适的质心是簇中各点的中位数。A、曼哈顿距离B、平方欧几里德距离C、余弦距离D、Bregman散度

DBSCAN是相对抗噪声的,并且能够处理任意形状和大小的簇。

关于簇和页的说法正确的是()。A、页由相邻的簇组成B、簇和页的大小无法由用户设置C、在控制台工具Console中可以查看数据库中的簇和页大小D、DM数据库中的数据以簇为最小存储单位

以下是哪一个聚类算法的算法流程() ①构造k-最近邻图。 ②使用多层图划分算法划分图。 ③repeat:合并关于相对互连性和相对接近性而言,最好地保持簇的自相似性的簇。 ④until:不再有可以合并的簇。A、MSTB、OPOSSUMC、ChameleonD、Jarvis-Patrick(JP)

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。

关于混合模型聚类算法的优缺点,下面说法正确的是()A、当簇只包含少量数据点,或者数据点近似协线性时,混合模型也能很好地处理B、混合模型比K均值或模糊C均值更一般,因为它可以使用各种类型的分布C、混合模型很难发现不同大小和椭球形状的簇D、混合模型在有噪声和离群点时不会存在问题

目的是将数据对象划分为多个类或簇,在同一个簇中的对象之间具有高的相似度,而不同簇中的对象差别较大指的是()。A、描述B、关联分析C、聚类分析

常见的分区格式有(),它们的主要区别是所支持的系统不同,分区的簇大小也不同。对应的簇的大小分别为根据分区的大小不同,对应的簇也不同。

单选题在基本K均值算法里,当邻近度函数采用()的时候,合适的质心是簇中各点的中位数。A曼哈顿距离B平方欧几里德距离C余弦距离DBregman散度

单选题在基于图的簇评估度量表里面,如果簇度量为proximity(Ci,C),簇权值为mi,那么它的类型是()。A基于图的凝聚度B基于原型的凝聚度C基于原型的分离度D基于图的凝聚度和分离度

填空题常见的分区格式有(),它们的主要区别是所支持的系统不同,分区的簇大小也不同。对应的簇的大小分别为根据分区的大小不同,对应的簇也不同。

判断题DBSCAN是相对抗噪声的,并且能够处理任意形状和大小的簇。A对B错

单选题下面关于Jarvis-Patrick(JP)聚类算法的说法不正确的是()。AJP聚类擅长处理噪声和离群点,并且能够处理不同大小、形状和密度的簇BJP算法对高维数据效果良好,尤其擅长发现强相关对象的紧致簇CJP聚类是基于SNN相似度的概念DJP聚类的基本时间复杂度为O(m)

单选题关于K均值和DBSCAN的比较,以下说法不正确的是()AK均值丢弃被它识别为噪声的对象,而DBSCAN一般聚类所有对象BK均值使用簇的基于原型的概念,而DBSCAN使用基于密度的概念CK均值很难处理非球形的簇和不同大小的簇,DBSCAN可以处理不同大小和不同形状的簇DK均值可以发现不是明显分离的簇,即便簇有重叠也可以发现,但是DBSCAN会合并有重叠的簇

判断题给定由两次运行K均值产生的两个不同的簇集,误差的平方和最大的那个应该被视为较优。A对B错

单选题目的是将数据对象划分为多个类或簇,在同一个簇中的对象之间具有高的相似度,而不同簇中的对象差别较大指的是()A描述B关联分析C聚类分析

判断题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

单选题关于混合模型聚类算法的优缺点,下面说法正确的是()A当簇只包含少量数据点,或者数据点近似协线性时,混合模型也能很好地处理B混合模型比K均值或模糊C均值更一般,因为它可以使用各种类型的分布C混合模型很难发现不同大小和椭球形状的簇D混合模型在有噪声和离群点时不会存在问题