A.DBSCAN是一种著名的密度聚类算法
B.密度聚类从样本数量的角度来考察样本之间的可连接性
C.密度聚类基于不可连接样本不断扩展聚类簇易获得最终的聚类结果
D.密度直达关系通常满足对称性
A.K-means算法初始质心问题可通过多次运行来解决
B.层次聚类的时间复杂度是O(N2)
C.DBSCAN算法忽略掉噪声点
D.聚类评估外部指标有SSE,Cohesion,Separation
A.1
B.2
C.3
D.4
A.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
B.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
C.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
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
E.K均值和DBSCAN的最初版本都是针对欧几里得数据设计的,但是它们都被扩展,以便处理其他类型的数据
A.阈值分割方法(thresholdsegmentationmethod)
B.区域增长细分(regionalgrowthsegmentation)
C.边缘检测分割方法(edgedetectionsegmentationmethod)
D.基于聚类的分割(segmentationbasedonclustering)
E.基于CNN中弱监督学习的分割