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。
如搜索结果不匹配，请 联系老师 获取答案
更多“有关kmeans算法，以下正确的说法有哪些？”相关的问题
第1题
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。
第4题
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。
第7题
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
第8题
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
为了保护您的账号安全，请在“赏学吧”公众号进行验证，点击“官网服务”-“账号验证”后输入验证码“”完成验证，验证成功后方可继续查看答案！
微信搜一搜
赏学吧
微信搜一搜
赏学吧
