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
