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（）

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.K-means中的K表示样本簇（聚类）的数目

B.K-NN中的K表示最近邻的数目

C.二者都由用户给定且其取值都对算法性能产生重要影响

D.二者取值都必须大于1（不能等于1）

A.K-means中的K表示样本簇（聚类）的数目

B.K-NN中的K表示最近邻的数目

C.二者都由用户给定且其取值都对算法性能产生重要影响

D.二者取值都必须大于1（不能等于1）

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.DBSCAN使用基于密度的概念

B.K均值使用簇的基于层次的概念

C.K均值很难处理非球形的簇和不同大小的簇

D.DBSCAN可以处理不同大小和不同形状的簇。

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

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均值使用簇的基本原型概念，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DBSCAN会合并有重叠的簇

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

E.K均值和DBSCAN的最初版本都是针对欧几里得数据设计的，但是它们都被扩展，以便处理其他类型的数据

A.K均值聚类算法实质上是最小化每个类簇的方差。

B.在K均值聚类算法中初始化聚类中心对聚类结果影响不大。

C.协方差不能反应两个变量之间的相关度。

D.X和Y彼此独立，|cor(X,Y)|可能不等于零。