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

A.当簇只包含少量数据点，或者数据点近似协线性时，混合模型也能很好地处理
B.混合模型比K均值或模糊C均值更一般，因为它可以使用各种类型的分布
C.混合模型很难发现不同大小和椭球形状的簇
D.混合模型在有噪声和离群点时不会存在问题

A.它使用具体的训练实例进行预测，不必维护源自数据的模型
B.分类一个测试样例开销很大
C.最近邻分类器基于全局信息进行预测
D.可以生产任意形状的决策边界

A.信息的溢出程度
B.信息的增加效益
C.熵增加的程度最大
D.熵减少的程度最大

A.性别=“男”=>职业=“司机”，是布尔型关联规则
B.性别=“女”=>avg（收入）=2300，是一个数值型关联规则
C.肝炎=>ALT（丙氨酸转氨酶）升高，是一个单层关联规则
D.性别=“女”=> 职业=“秘书”，是多维关联规则

A.作回归分析的变量之间要有实际意义，不能把毫无关联的两种现象随意进行回归分析，要结合专业知识对两事物之间是否存在因果关系作出合理解释和结论。
B.在进行线性回归分析进行的数据准备的时候，要求因变量y和自变量x都是符合总体正态的随机变量。
C.回归直线不要随意外延
D.所有非线性回归都可以转化为线性回归

A.K－means
B.SOM聚类
C.系统聚类
D.有序聚类

A.分类
B.聚类
C.关联分析
D.隐马尔可夫链

A.剪枝
B.使树成长
C.处理缺失值和异常值
D.砍树

A.左上角
B.右上角
C.左下角
D.右下角