题目内容
（请给出正确答案）
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)。
答案
D、JP聚类的基本时间复杂度为O(m)。
如果结果不匹配，请 联系老师 获取答案
更多“下面关于Jarvis－Patrick（JP)聚类算法的说法不…”相关的问题
B.混合模型比K均值或模糊c均值更一般，因为它可以使用各种类型的分布。
C.混合模型很难发现不同大小和椭球形状的簇。
D.混合模型在有噪声和离群点时不会存在问题。
A.K-Means对于噪声比较敏感
B.当处理较大数据集时，无法保持可伸缩性和高效率
C.不能对变量进行聚类
D.当簇近似为正态分布时，效果较好
A.K一Means对于噪声比较敏感
B.当处理较大数据集时，无法保持可伸缩性和高效率
C.不能对变量进行聚类
D.当簇近似为正态分布时，效果较好
A.数据集成是将数据由多个数据源合并成一个一致的数据存储(如数据仓库)
B.数据变换可以通过如聚集、删除冗余特征或聚类等方法来降低数据的规模
C.数据归约可以用来把数据压缩到较小的区间(如0.0-1.0)，提高了涉及距离度量挖掘算法的准确率和效率
D.数据清理可以用来清除数据中的噪声，纠正不一致
A.人工神经元是人工神经网络处理信息的基本单元
B.Relu是一种激活函数
C.人工神经网络是解决聚类问题的算法
D.BP算法是一种典型的人工神经网络算法
A.K均值丢弃被它识别为噪声的对象，而DBSCAN一般聚类所有对象
B.K均值使用簇的基本原型概念，而DBSCAN使用基于密度的概念
C.K均值很难处理非球形的簇和不同大小的簇，DBSCAN可以处理不同大小和不同形状的簇
D.K均值可以发现不是明显分离的簇，即便簇有重叠也可以发现，但DBSCAN会合并有重叠的簇
A.对初始点位置敏感，但不会影响聚类的效果
B.K-Means聚类是基于原型的、划分的聚类技术
C.K-Means聚类算法简单，快速
D.K-Means聚类不受异常值的影响
A.数据集中包含符号属性时，直接应用K均值聚类算法是有问题的 Y
B.用户事先需要制定K的个数 Y
C.对噪声和孤立点数据比较敏感
D.少量的敏感数据能够对聚类均值起到很大的影响
A.数据集中包含符号属性时，直接应用K均值聚类算法是有问题的
B.用户事先需要制定K的个数
C.对噪声和孤立点数据比较敏感
D.少量的敏感数据能够对聚类均值起到很大的影响
