A.适合于大样本
B.类别数目的确定具有一定的主观性
C.事先不确定要分多少类,先把每一个对象作为一类,然后一层一层分类
D.要求研究者先指定需要划分的类别个数
E.计算量较小,效率比层次聚类要高
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.Euclideanmethod
B.Manhattanmethod
C.Elbowmethod
D.Silhouettemethod
A.使用聚类算法发现互联网中的不同群体,用于网络社区发现
B.使用分类对客户进行等级划分,从而实施不同的服务
C.使用关联规则发现大型数据集中间存在的关系,用于推荐搜索
D.使用离群点挖掘发现与大部分对象不同的对象,用于分析针对网络的秘密收集信息的攻击
E.使用人工查询公司网络故障信息,查找原因进行记录
A.无法被用来产生更易于解释的描述性模型
B.规则集的表达能力远不如决策树好
C.基于规则的分类器都对属性空间进行直线划分,并将类指派到每个划分
D.非常适合处理类分布不平衡的数据集
在实际应用中,常需模拟服从正态分布的随机变量,其密度函数为
式中,a为均值,σ为标准差.
如果s和t是(-1,1)中均匀分布的随机变量,且,令
则u和v是服从标准正态分布(a=0,σ=1)的两个互相独立的随机变量.
(1)利用上述事实,设计一个模拟标准正态分布随机变量的算法.
(2)将上述算法扩展到一般的正态分布.