下列关于k均值聚类算法的说法中错误的是?A.k均值算法采用误差和准则函数,其聚类目标是使准则函数值最小B.理论上可以证明,k均值聚类算法是收敛的C.k均值算法的聚类结果虽然收敛但不确定D.初始聚类中心和样本的分布情况影响
下列关于k均值聚类算法的说法中错误的是?
A.k均值算法采用误差和准则函数,其聚类目标是使准则函数值最小
B.理论上可以证明,k均值聚类算法是收敛的
C.k均值算法的聚类结果虽然收敛但不确定
D.初始聚类中心和样本的分布情况影响
参考答案和解析
k均值算法采用误差和准则函数,其聚类目标是使准则函数值最小
相关考题:
下列关于K均值聚类法的描述,正确的有()。 A.类别数目的确定具有一定的主观性B.类别数目的确定具有一定的客观性C.基本思想是将每一个样本分配给最近重心(均值)的类中D.处理速度较快,效率高于系统聚类E.适合于大样本并且均为连续型变量的情形
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
K-means算法叙述正确的是()A、在K-means算法中K是事先给定的,这个K值的选定是非常难以估计的B、在K-means算法中,首先需要根据初始聚类中心来确定一个初始划分,然后对初始划分进行优化C、对于一个类中的每个对象,在其给定半径的领域中包含的对象不能少于某一给定的最小数目D、从K-means算法框架可以看出,该算法需要不断地进行样本分类调整,不断地计算调整后的新的聚类中心,因此当数据量非常大时,算法的时间开销是非常大的
K-means算法的叙述正确的是()A、在K-means算法中K是事先给定的,这个K值的选定是非常难以估计的B、在K-means算法中,首先需要根据初始聚类中心来确定一个初始划分,然后对初始划分进行优化C、对于一个类中的每个对象,在其给定半径的领域中包含的对象不能少于某一给定的最小数目的新的聚类心,因此当数据量非常大时,算法的时间开销是非常大的
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
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)
多选题K-means算法叙述正确的是()A在K-means算法中K是事先给定的,这个K值的选定是非常难以估计的B在K-means算法中,首先需要根据初始聚类中心来确定一个初始划分,然后对初始划分进行优化C对于一个类中的每个对象,在其给定半径的领域中包含的对象不能少于某一给定的最小数目D从K-means算法框架可以看出,该算法需要不断地进行样本分类调整,不断地计算调整后的新的聚类中心,因此当数据量非常大时,算法的时间开销是非常大的
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