k-means算法对于噪声和离群点数据不敏感
举一反三
- 关于聚类分析算法，下列说法正确的是 A: DBSCAN算法能够更好的处理噪声数据的聚类 B: DBSCAN只能发现类圆形的簇 C: 与K-Means算法相比，K-中心点算法对噪声数据更加敏感 D: K-Means算法对噪声数据并不敏感
- K-means算法的缺点不包括() A: k必须事先给定 B: 要选择初始聚类中心 C: 对于“噪声”和孤立点数据是敏感的 D: 可伸缩、高效
- K-means算法的缺点不包括（） A: K必须是事先给定的 B: 选择初始聚类中心 C: 对于“噪声”和孤立点数据是敏感的 D: 可伸缩、高效
- 基于邻近度的异常检测算法的局限性有哪些？（ ） A: 对参数k选择敏感，如k太小，少量的邻近点导致离群点得分较低，而k太大，则点数少于k的数据点都可能成为离群点 B: 参数k选择困难 C: 高维空间里，数据是稀疏的，邻近度变得没意义 D: 对于高维数据难以估算其真实分布
- 全链对噪声点和离群点很敏感。