niusouti.com

单选题（）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。A MIN（单链）B MAX（全链）C 组平均D Ward方法

题目
单选题
（）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。
A

MIN（单链）

B

MAX（全链）

C

组平均

D

Ward方法

相似考题

1.给定一组点,使用点之间的距离概念,将点分组为若干簇,不同簇的成员不可以相同。()此题为判断题(对，错)。

2.聚类技术把( )看做对象。A数据B数据库C簇D数据元组

3.数据挖掘方法中的聚类分析也被称为无制导学习。一个好的聚类分析算法应该使得所得到的______。A．聚簇问的相似性很高，而不同的聚簇内的相似性很低B．聚簇内的相似性很低，而不同的聚簇间的相似性很高C．聚簇间的相似性很低，而不同的聚簇内的相似性很低D．聚簇内的相似性很高，而不同的聚簇间的相似性很低A．B．C．D．

4.给定一组点,使用点之间的距离概念,将点分组为若干簇,不同簇的成员可以相同。()此题为判断题(对，错)。

更多“（）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。”相关问题

  • 第1题：

    关于聚类算法K-Means和DBSCAN的叙述中，不正确的是（ ）。

    A.K-Means和DBSCAN的聚类结果与输入参数有很大的关系
    B.K-Means基于距离的概念而DBSCAN基于密度的概念进行聚类分析
    C.K-Means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.当簇的密度变化较大时，DBSCAN不能很好的处理，而K-Means则可以

    答案：D
    解析：
    本题考查数据挖掘的基础知识。K-Means和DBSCAN是两个经典的聚类算法，将相似的数据对象归类一组，不相似的数据对象分开。K-means算法基于对象之间的聚类进行聚类，需要输入聚类的个数。DBSCAN算法基于密度进行聚类，需要确定阈值，两者的聚类结果均与输入参数关系很大。DBSCAN可以处理不同大小和不同形状的簇，而K-means算法则不适合。若数据分布密度变化大，则这两种算法都不适用。

  • 第2题：

    检测一元正态分布中的离群点，属于异常检测中的基于（）的离群点检测。

    • A、统计方法
    • B、邻近度
    • C、密度
    • D、聚类技术

    正确答案:A

  • 第3题：

    从点作为个体簇开始，每一步合并两个最接近的簇，这是一种分裂的层次聚类方法。


    正确答案:错误

  • 第4题：

    （）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。

    • A、MIN（单链）
    • B、MAX（全链）
    • C、组平均
    • D、Ward方法

    正确答案:C

  • 第5题：

    位置算符又称邻近度算符，它是（）运算符的延伸。

    • A、and
    • B、or
    • C、not
    • D、（）

    正确答案:A

  • 第6题：

    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。


    正确答案:错误

  • 第7题：

    单选题
    在基于图的簇评估度量表里面，如果簇度量为proximity（Ci，C），簇权值为mi，那么它的类型是（）。
    A

    基于图的凝聚度

    B

    基于原型的凝聚度

    C

    基于原型的分离度

    D

    基于图的凝聚度和分离度


    正确答案： C
    解析： 暂无解析

  • 第8题：

    单选题
    一个对象的离群点得分是该对象周围密度的逆。这是基于（）的离群点定义。
    A

    概率

    B

    邻近度

    C

    密度

    D

    聚类


    正确答案： C
    解析： 暂无解析

  • 第9题：

    单选题
    在基本K均值算法里，当邻近度函数采用（）的时候，合适的质心是簇中各点的中位数。
    A

    曼哈顿距离

    B

    平方欧几里德距离

    C

    余弦距离

    D

    Bregman散度


    正确答案： D
    解析： 暂无解析

  • 第10题：

    单选题
    目的是将数据对象划分为多个类或簇，在同一个簇中的对象之间具有高的相似度，而不同簇中的对象差别较大指的是（）。
    A

    描述

    B

    关联分析

    C

    聚类分析


    正确答案： A
    解析： 暂无解析

  • 第11题：

    判断题
    在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。
    A

    对

    B

    错


    正确答案： 错
    解析： 暂无解析

  • 第12题：

    判断题
    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

    对

    B

    错


    正确答案： 错
    解析： 暂无解析

  • 第13题：

    位置算符又称邻近度算符，它是（）运算符的延伸。

    Aand

    Bor

    Cnot

    D（）


    A
    略

  • 第14题：

    在基于图的簇评估度量表里面，如果簇度量为proximity（Ci，C），簇权值为mi，那么它的类型是（）。

    • A、基于图的凝聚度
    • B、基于原型的凝聚度
    • C、基于原型的分离度
    • D、基于图的凝聚度和分离度

    正确答案:C

  • 第15题：

    在基本K均值算法里，当邻近度函数采用（）的时候，合适的质心是簇中各点的中位数。

    • A、曼哈顿距离
    • B、平方欧几里德距离
    • C、余弦距离
    • D、Bregman散度

    正确答案:A

  • 第16题：

    在聚类分析当中，簇内的相似性越大，簇间的差别越大，聚类的效果就越差。


    正确答案:错误

  • 第17题：

    一个对象的离群点得分是该对象周围密度的逆。这是基于（）的离群点定义。

    • A、概率
    • B、邻近度
    • C、密度
    • D、聚类

    正确答案:C

  • 第18题：

    目的是将数据对象划分为多个类或簇，在同一个簇中的对象之间具有高的相似度，而不同簇中的对象差别较大指的是（）。

    • A、描述
    • B、关联分析
    • C、聚类分析

    正确答案:B

  • 第19题：

    单选题
    下面关于Jarvis－Patrick（JP）聚类算法的说法不正确的是（）。
    A

    JP聚类擅长处理噪声和离群点，并且能够处理不同大小、形状和密度的簇

    B

    JP算法对高维数据效果良好，尤其擅长发现强相关对象的紧致簇

    C

    JP聚类是基于SNN相似度的概念

    D

    JP聚类的基本时间复杂度为O（m）


    正确答案： C
    解析： 暂无解析

  • 第20题：

    单选题
    （）将两个簇的邻近度定义为两个簇合并时导致的平方误差的增量，它是一种凝聚层次聚类技术。
    A

    MIN（单链）

    B

    MAX（全链）

    C

    组平均

    D

    Ward方法


    正确答案： D
    解析： 暂无解析

  • 第21题：

    单选题
    关于K均值和DBSCAN的比较，以下说法不正确的是（）
    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


    正确答案： D
    解析： 暂无解析

  • 第22题：

    判断题
    从点作为个体簇开始每一步合并两个最接近的簇，这是一种分裂的层次聚类方法。
    A

    对

    B

    错


    正确答案： 错
    解析： 暂无解析

  • 第23题：

    判断题
    基于邻近度的离群点检测方法不能处理具有不同密度区域的数据集。
    A

    对

    B

    错


    正确答案： 错
    解析： 暂无解析

  • 第24题：

    单选题
    检测一元正态分布中的离群点，属于异常检测中的基于（）的离群点检测
    A

    统计方法

    B

    邻近度

    C

    密度

    D

    聚类技术


    正确答案： C
    解析： 暂无解析

相关内容