3、影响K-均值聚类算法的主要因素有（）。

A.样本输入顺序

B.模式相似性测度

C.聚类准则

D.初始类中心的选取

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

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

A.K均值聚类一定能达到很好的聚类结果

B.K均值聚类的迭代次数越多，算法结果越稳定

C.当样本量较大时，可以利用K均值聚类方法

D.随机起点的设置不同，K均值聚类的结果一定相同

A.K均值聚类是无监督聚类

B.需要事先确定聚类数目

C.算法迭代执行

D.需要初始化聚类质心

A.在聚类分析中，簇之间的相似性越小，簇内样本的差别越小，聚类的效果就越好。

B.聚类分析是一种非监督的过程。

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无关。

A.kmeans只能处理凸型分布的非数值型样本。

B.kmeans算法需要在聚类前确定类数k，这个k值需要有助于解释各类的业务含义。

C.kmeans聚类的过程与初始的k个假设的聚类中心的选择没关。

D.kmeans算法对异常样本非常敏感，因此在聚类前要把异常样本直接删除。