欧式距离用来度量连续数值属性数据的相似性
A: 正确
B: 错误
A: 正确
B: 错误
A
举一反三
内容
- 0
在高维空间中，我们经常采用欧式距离作为数据之间的相似性度量。
- 1
杰卡德系数用来度量非对称的二进制属性的相似性 A: 正确 B: 错误
- 2
度量数据的相似性和相异性主要包括以下方面的内容：（） A: 数据矩阵和相异性矩阵 B: 标称属性的临近性度量 C: 二元属性的临近性度量 D: 数值属性的相异性
- 3
以下的哪种相似性度量方法能够直接计算类别属性的相似性（） A: 欧氏距离 B: 闵可夫斯基距离 C: Jaccard相似系数 D: 曼哈顿距离
- 4
以下的哪种相似性度量方法能够用于计算类别属性的相似性（ ） A: 闵可夫斯基距离 B: Jaccard相似系数 C: 曼哈顿距离 D: 欧氏距离