以下哪些选项是K-均值聚类面临的问题？

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.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

A.K-means算法能够解决有离群点的聚类问题

B.K-modes能够解决离散数据的聚类问题

C.K-means++能够解决初始点影响聚类效果的问题

D.K中心点能够解决有离群点的聚类问题

A.K-means算法能够解决有离群点的聚类问题

B.K-modes能够解决离散数据的聚类问题

C.K-means++能够解决初始点影响聚类效果的问题

D.K中心点能够解决有离群点的聚类问题

A.k均值聚类

B.层次聚类

C.DBSCAN

D.基于密度的聚类方法

A.k均值聚类

B.层次聚类

C.DBSCAN

D.基于密度的聚类方法

A.K均值聚类法

B.K近邻分类法

C.决策树分类法

D.中心向量分类法

A.圆形分布

B.螺旋分布

C.带状分布

D.凸多边形分布