基于聚类的离群点检测有什么缺点？（ ）。
A: 产生的离群点集非常依赖所用的簇的个数；
B: 时间复杂度是线性或接近线性的；
C: 空间复杂度是线性或接近线性的；
D: 可能同时发现簇和离群点；
A: 产生的离群点集非常依赖所用的簇的个数；
B: 时间复杂度是线性或接近线性的；
C: 空间复杂度是线性或接近线性的；
D: 可能同时发现簇和离群点；
A
举一反三
- 在基于聚类的离群点检测中，对象是否被认为是离群点可能高度依赖于簇的个数。（ ）
- 如果一个对象不强属于任何簇，那么该对象是（ ）。 A: 基于距离的离群点 B: 基于统计的离群点 C: 基于聚类的离群点 D: 基于密度的离群点
- 下列属于基于统计的离群点检测流程的是（ ）。 A: 设定数据集的分布模型 B: 不和谐检验 C: 发现离群点 D: 验证离群点
- 下列关于离群点检测方法的说法中错误的是（ ）。 A: 基于统计的离群点检测在数据不充分的情况下，能保证所有离群点被发现 B: 基于距离的离群检测的缺点是不能处理不同密度区域的数据集 C: 基于密度的局部离群点检测能在样本空间数据分布不均匀的情况下也可以准确发现离群点 D: 基于密度的离群点检测使用每个对象到第k个最近邻的距离大小来度量密度
- 如果一个对象不强属于任何簇，那么该对象是基于聚类的离群点
内容
- 0
个对象的离群点得分是该对象周围密度的逆。这是基于()的离群点定义。 A: 概率 B: 邻近度 C: 密度 D: 聚类
- 1
如果一个对象不属于任何簇，那么该对象是基于聚类的离群点。 A: 正确 B: 错误
- 2
对于线性回归,我们应该有以下哪些假设?1.找到离群点很重要,因为线性回归对离群点很敏感2.线性回归要求所有变量必须符合正态分布线性回归假设数据没有多重线性相关性 A: 1和2 B: 2和3 C: 1、2和3 D: 全都不是
- 3
离群点分为全局离群点，（ ）。 A: 部分离群点和条件离群点 B: 条件离群点和集体离群点 C: 部分离群点和集体离群点 D: 异常离群点和集体离群点
- 4
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）