下面有关聚类的说法不正确的是？

A.kmeans算法各聚类中心与其几何重心是重合的，对于凸型数据集初始的假设聚类中心尽量距离远一些。

B.在计算样本之间的距离时，对样本不同量纲的数据属性进行标准化是必要的。

C.Kohonon神经网络在计算过程中需要计算样本之间的距离。

D.当聚类的组数比较多时，可以把距离较近的簇合并。

A.可以确定样本属性的重要性

B.可以处理凸型分布数据的聚类

C.适合任意数据集的分组

D.聚类的结果与初始选择的假设聚类中心有关

A.kmeans算法对于非凸型的聚类不能产生聚类结果。

B.在确定样本集是否可以使用kmeans算法时，可以先对数据集进行可视化观察样本集的大致分布。

C.初始聚类中心的选择会影响kmeans算法的收敛速度。

D.kmeans需要多次迭代，因此对于大的样本集速度求解比较慢。

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。

A.k-均值聚类需要大量的迭代，因此不能使用分布式计算。

B.k-均值的分布式实现需要MapReduce的各个数据节点共享假设的聚类中心。

C.k-均值算法的大量迭代运算在分布式环境下的效率一般更高。

D.k-均值在Spark内存计算框架下运行要比Hadoop MapReduce下运行要快的多。

A.K的选择具有挑战性

B.硬聚类并不总是正确的

C.贪婪算法存在的问题

D.关于数据的球形假设（到聚类中心的距离）

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