有关聚类的算法，正确的说法有以下哪些？

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.k均值聚类

B.层次聚类

C.DBSCAN

D.基于密度的聚类方法

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.k均值聚类

B.层次聚类

C.DBSCAN

D.基于密度的聚类方法

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

B.学习向量量化

C.高斯混合聚类

D.密度聚类

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.高的簇内相似性

B.低的簇间相似性

C.形状各异

D.位置不同