A.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
B.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
C.JP聚类是基于SNN相似度的概念
D.JP聚类的基本时间复杂度为O(m)
您可能感兴趣的试卷
你可能感兴趣的试题
A.概率
B.邻近度
C.密度
D.聚类
A.STING
B.WaveCluster
C.MAFIA
D.BIRCH
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.模糊c均值
B.EM算法
C.SOM
D.CLIQUE
A.CURE
B.DENCLUE
C.CLIQUE
D.OPOSSUM
A.平方欧几里德距离
B.余弦距离
C.直接相似度
D.共享最近邻
以下是哪一个聚类算法的算法流程()。
①构造k-最近邻图。
②使用多层图划分算法划分图。
③repeat:合并关于相对互连性和相对接近性而言,最好地保持簇的自相似性的簇。
④until:不再有可以合并的簇。
A.MST
B.OPOSSUM
C.Chameleon
D.Jarvis-Patrick(JP)
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.基于图的凝聚度
B.基于原型的凝聚度
C.基于原型的分离度
D.基于图的凝聚度和分离度
A.O(m)
B.O(m2)
C.O(logm)
D.O(m*logm)
最新试题
非结构化数据也可以使用关系型数据库来存储。
数据索引就像给每条数据装了个信箱。
使决策树更深将确保更好的拟合度,但会降低鲁棒性。
任务调度系统的设计与实现才能使得数据收集工作可以不间断地按照既定的目标从目标源获取数据。
管理员不需要验证就可以访问数据存储系统中的任何数据,这符合数据安全的要求。
当数据集标签错误的数据点时,随机森林通常比AdaBoost更好。
使用偏差较小的模型总是比偏差较大的模型更好。
要将工作申请分为两类,并使用密度估计来检测离职申请人,我们可以使用生成分类器。
训练神经网络具有过度拟合训练数据的潜在问题。
任何对数据处理与存储系统的操作均需要记录,这符合数据安全的要求。