MIN(单链)
MAX(全链)
组平均
Ward方法
第1题:
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。
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。
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。
第5题:
位置算符又称邻近度算符,它是()运算符的延伸。
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。
第7题:
基于图的凝聚度
基于原型的凝聚度
基于原型的分离度
基于图的凝聚度和分离度
第8题:
概率
邻近度
密度
聚类
第9题:
曼哈顿距离
平方欧几里德距离
余弦距离
Bregman散度
第10题:
描述
关联分析
聚类分析
第11题:
对
错
第12题:
对
错
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()
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()。
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。
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。
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。
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()。
第19题:
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
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
JP聚类是基于SNN相似度的概念
JP聚类的基本时间复杂度为O(m)
第20题:
MIN(单链)
MAX(全链)
组平均
Ward方法
第21题:
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
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
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
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
第22题:
对
错
第23题:
对
错
第24题:
统计方法
邻近度
密度
聚类技术