A.平方歐幾里德距離
B.余弦距離
C.直接相似度
D.共享最近鄰
您可能感興趣的試卷
你可能感興趣的試題
以下是哪一個聚類算法的算法流程（）。
①構造k－最近鄰圖。
②使用多層圖劃分算法劃分圖。
③repeat：合并關于相對互連性和相對接近性而言，最好地保持簇的自相似性的簇。
④until：不再有可以合并的簇。
A.MST
B.OPOSSUM
C.Chameleon
D.Jarvis－Patrick（JP）
A.K均值丟棄被它識別為噪聲的對象，而DBSCAN一般聚類所有對象
B.K均值使用簇的基于原型的概念，而DBSCAN使用基于密度的概念
C.K均值很難處理非球形的簇和不同大小的簇，DBSCAN可以處理不同大小和不同形狀的簇
D.K均值可以發(fā)現(xiàn)不是明顯分離的簇，即便簇有重疊也可以發(fā)現(xiàn)，但是DBSCAN會合并有重疊的簇
A.基于圖的凝聚度
B.基于原型的凝聚度
C.基于原型的分離度
D.基于圖的凝聚度和分離度
A.O（m）
B.O（m2）
C.O（logm）
D.O（m*logm）
A.MIN（單鏈）
B.MAX（全鏈）
C.組平均
D.Ward方法
最新試題
數(shù)據(jù)索引是保證數(shù)據(jù)處理高性能的軟件角度的一種手段，不做數(shù)據(jù)索引的數(shù)據(jù)訪問是線性訪問，但是做了索引的數(shù)據(jù)訪問會成倍的降低訪問時間。
小數(shù)據(jù)集的數(shù)據(jù)處理最好也由計算機手段來完成。
非結構化數(shù)據(jù)也可以使用關系型數(shù)據(jù)庫來存儲。
假設屬性的數(shù)量固定，則可以在時間上以線性方式學習基于高斯的貝葉斯最優(yōu)分類器，而該數(shù)量是數(shù)據(jù)集中記錄的數(shù)量。
隨機梯度下降每次更新執(zhí)行的計算量少于批梯度下降。
對于文本數(shù)據(jù)和多媒體數(shù)據(jù)進行特征提取是為了方便對于這類數(shù)據(jù)的觀察和理解。
通常，當試圖從大量觀察中學習具有少量狀態(tài)的HMM時，我們幾乎總是可以通過允許更多隱藏狀態(tài)來增加訓練數(shù)據(jù)的可能性。
無論質心的初始化如何，K-Means始終會給出相同的結果。
公司內(nèi)部收集的數(shù)據(jù)不存在需要考慮數(shù)據(jù)隱私的環(huán)節(jié)。
由于決策樹學會了對離散值輸出而不是實值函數(shù)進行分類，因此它們不可能過度擬合。