使用kmeans、基于密度的聚类和Kohonen等多种聚类算法对同一数据集进行聚类时，可能会得到不同的分组数（类数），分组数较多的聚类算法一般是比较好的。

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.自底向上的层次聚类算法对样本的输入顺序比较敏感。

B.聚类的簇密度指样本的个数多少。

C.类似Kmeans基于划分的聚类与基于层次的聚类都是样本的距离为划分基础。

D.聚类的结果要考虑业务的可解释性。

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.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.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。