有关kmeans算法，以下正确的说法有哪些？

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.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.K-means算法

B.EM算法

C.谱聚类算法

D.以上三种算法都可以

A.每种算法都有其使用范围，因此选择算法需要考虑具体处理的问题

B.判断机器学习算法好坏在数据需求阶段就可以确定

C.在分类前可以先做聚类分析

D.对聚类问题可以任选一种聚类算法

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.能找到任意形状的聚类

B.初始值不同，最终结果可能不同

C.不能使用核函数(kernel function)

D.是聚类算法的一种