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均值使用簇的基于原型的概念,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,但是DBSCAN会合并有重叠的簇
答案:BCD
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均值使用簇的基于原型的概念,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,但是DBSCAN会合并有重叠的簇
答案:BCD
A. 样本参数
B. 拍摄角度
C. 部位
D. 区域
解析:主要应用
A. K-means
B. SVR
C. DBSCAN
D. 以上都是
解析:最广泛被使用的分类器有人工神经网络、支持向量机、最近邻居法、GuassianMixtureModel、Gaussian、NaiveBayes、决策树和RBFclassifiers。
A. true
B. false
A. finally
B. else
C. try
D. if
A. K均值算法
B. 学习向量量化
C. 高斯混合聚类
A. 策略迭代
B. 值迭代
C. 策略改进
D. 最优值函数
解析:见算法解析
A. 随机型
B. 连续型
C. 离散型
D. 分类型
A. 欧式距离
B. 夹角余弦(Cosine)
C. 信息熵
D. 曼哈顿距离
A. 随机森林
B. Adaboost
C. kNN
D. XGBoost
解析:集成方法分类为:Bagging(并行训练):随机森林,Boosting(串行训练):Adaboost, GBDT: XgBoost,Stacking,Blending