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
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
相关考题：
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
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）
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
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
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