网友您好， 请在下方输入框内输入要搜索的题目：
题目内容
（请给出正确答案）
149、K中心点能够解决有离群点的聚类问题。
参考答案和解析
对
更多 “149、K中心点能够解决有离群点的聚类问题。” 相关考题
考题
一监狱人脸识别准入系统用来识别待进入人员的身份，此系统一共包括识别4种不同的人员：狱警，小偷，送餐员，其他。下面哪种学习方法最适合此种应用需求：A.二分类问题B.多分类问题C.层次聚类问题D.k-中心点聚类问题E.回归问题F.结构分析问题
考题
以下对k-means聚类算法解释正确的是()A.能自动识别类的个数,随即挑选初始点为中心点计算B.能自动识别类的个数,不是随即挑选初始点为中心点计算C.不能自动识别类的个数,随即挑选初始点为中心点计算D.不能自动识别类的个数,不是随即挑选初始点为中心点计算
考题
关于混合模型聚类算法的优缺点，下面说法正确的是（）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
考题
采用旋转法吊装柱子时，柱脚宜靠近基础，（）三者位于起重机的同一工作幅度的圆弧上。A、柱的牛腿中心点、柱脚底边中心点与柱基中心点B、柱的绑扎点、柱脚底边中心点与柱基中心点C、柱的绑扎点、柱顶面中心点与柱基中心点D、柱的绑扎点、柱脚底边中心点与起重机吊钩
考题
单选题下面关于Jarvis－Patrick（JP）聚类算法的说法不正确的是（）。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）
考题
单选题某企业的六西格玛团队拟对有4个连续变量的因子安排24-1部分因子试验，对于是否增加中心点和如何增加中心点的问题，他们提出了四种意见，你认为哪种意见是正确的？（）A
为了预防设备损坏带来的影响，中心点的测试应该在试验进程的末尾进行。增加一次额外的中心点试验足矣B
中心点的测试应该在试验进程的开头、中间及末尾进行，推荐总共增加3～5次额外的中心点进行试验C
为了预防过程出现不稳定状况，中心点的测试应该在试验设计的开头进行，增加一次额外的中心点试验足矣D
为了考察响应变量Y是否存在曲率，中心点应该安排试验3～5次，且只能安排在试验进程的中段进行
考题
单选题关于混合模型聚类算法的优缺点，下面说法正确的是（）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
热门标签
最新试卷