关于模糊K-均值聚类算法的描述，正确的有（ ）。
A: 用隶属度表示某个样本属于某个类别的程度
B: 在聚类准则函数中，可以通过参数控制不同类别的混合程度
C: 类别间不可以存在交叠
D: 可以固定类别均值，求隶属度的最优解，也可以固定隶属度，求类别均值的最优解
A: 用隶属度表示某个样本属于某个类别的程度
B: 在聚类准则函数中，可以通过参数控制不同类别的混合程度
C: 类别间不可以存在交叠
D: 可以固定类别均值，求隶属度的最优解，也可以固定隶属度，求类别均值的最优解
A,B,D
举一反三
- 关于模糊K-均值聚类算法的描述，正确的有（ ）。 A: 在聚类准则函数中，可以通过参数控制不同类别的混合程度 B: 用隶属度表示某个样本属于某个类别的程度 C: 类别间不可以存在交叠 D: 可以固定类别均值，求隶属度的最优解，也可以固定隶属度，求类别均值的最优解
- 模糊C均值聚类算法是用隶属度确定每个数据点属于某个聚类的程度的一种聚类 算法
- K-均值聚类需要事先确定要分的类别数据。
- FCM算法用隶属度确定每个样本属于某个聚类的程度。它与K平均算法和中心点算法等相比，计算量增加。
- ISODATA聚类方法与K-均值算法的差别在于( ) A: ISODATA方法分类结果中的类别数是固定的 B: ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析,而且可以自动地进行类别合并和分裂从而得到类数比较合理的聚类结果 C: ISODATA不是每调整一个样本的类别就重新计算一次各类样本的均值,而是在把所有样本都调整完毕之后才重新计算 D: ISODATA一次完成分类
内容
- 0
K均值聚类结果对应的类别数量是固定的,就是预先设定的K值。
- 1
关于分层聚类和k-均值聚类的叙述正确的是 ( ) A: 分层聚类无法确定类别数 B: k-均值聚类无法确定类别数 C: 在SAS的聚类数据挖掘中,类别数只能通过预设而定 D: 以上都不对
- 2
K-均值聚类的过程不包括哪一步( )。 A: 计算组内离差平方和除以组间离差平方和 B: 确定要分的类别数目K C: 确定各个类别的初始聚类中心 D: 计算各个变量中每个变量的均值
- 3
ISODATA法即迭代式自组织数据分析算法，简称迭代法，与K-均值算法的不同点在于（ ） A: ISODATA不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在把所有样本都调整完毕之后才重新计算 B: ISODATA一次完成分类 C: ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别合并和分裂从而得到类数比较合理的聚类结果 D: 分类结果中的类别数是固定的
- 4
ISODATA法即迭代式自组织数据分析算法，简称迭代法，与K-均值算法的不同点在于（ ） A: ISODATA不是每调整一个样本的类别就重新计算一次各类样本的均值，而是在把所有样本都调整完毕之后才重新计算 B: ISODATA一次完成分类 C: ISODATA算法不仅可以通过调整样本所属类别完成样本的聚类分析，而且可以自动地进行类别合并和分裂从而得到类数比较合理的聚类结果 D: 分类结果中的类别数是固定的