数据挖掘考试题目聚类

《数据挖掘考试题目聚类》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、数据挖掘考试题目一一聚类一、填空题1、密度的基于中心的方法使得我们可以将点分类为：、、O2、DBSCAN算法在最坏的情况卜*,吋间复杂度是、空间复杂度是o3、DBSCAN算法的优点是、。4、DBSCAN算法的缺点足处理、的数据效果不好。5、DBSCAN算法的参数有：、。6、簇的有效性的非监督度量常常可以分为两类：、,它常采用的桁标为07、簇的有效性的监督度景通常称为，它度景簇标号与外部提供的标号的匹配程度主要借助c8、在相似度矩阵评价的聚类巾，如果有明显分离的簇，则相似度矩阵应当籼略地足二、选择题1、DBSCAN算法的过程足（B）。①删除噪声点。②每组连通的核心点形成一

2、个簇。③将所冇点标记为核心点、边界点和噪声点。④将毎个边界点指派到一个与之关联的核心点的簇屮。⑤为距离在Eps之内的所奋核心点之间赋予一条边。A：①②④⑤③B：③①⑤②④C：③①②④⑤D：①④⑤②③DO(logm)2、如果有m个点，DBSCAN在最坏的情况卜的吋间复杂度度为（C）。A0（m）BO（mlogm）CO（m2）3、在基本DBSCAN的参数选择方法屮，点到它的K个最近邻的距离十的K选作为哪一个参数（B）。AEpsBMinPtsC质心D边界4、当采用K-距离的力‘法选择DBSCAN的Eps和MinPts参数时，如果设置的K的位太人,则小簇（尺寸小于K的簇）可能会被

3、标记为（A）。A噪声B核心簇C边界簇D以上都不对5、如果处理以下形状的数据时，适宜采川DBSCAN的是（B）A球形BSS形C椭球形D方形6、DBSCAN之所以难以有效处理高维数据，其主要原因是（D）7、簇评佔能够做到（D）①确定数裾集的聚类趋势。②确定正确的簇个数。③比较两个簇集，确定那个更好。④不引用附加信息，评估聚类分析结果对数据拟合情况A①②B②③④C①②③D①②③④8、如果不考虑外部信息，聚类结构的奋良性度景应当采川（A）。A均方差B方差C中位数D均值9、比较不同的聚类或簇时，通常采用相对的簇评佔度S,相对的簇评佔以（）米评价不同的聚类或簇。ASSE或熵B簇的大

4、小C簇的形状D簇的密度10、对于DBSCAN,参数Eps固定，当MinPts取值较大时，会导致（B）A能很好的区分各类簇B只宥岛密度的点的聚粜区划为簇，其余划为噪声C低密度的点的聚集区划为簇，其余的划为噪声D无影响三、判断题1、DBSCAN的参数Eps固定吋，MinPts的值越人越好。（错）2、DBSCAN会把所有点划分到各自的簇巾。（错）3、4:所有核心点的Eps半径邻域内的点数都不少于MinPts阈伉。（对）4、SSE在无监矜的簇评佔中能起到很好的作用。（对）5、在通过相似度矩阵评估簇时，如果相似度矩阵是块对角的，说明具有明显分离的簇（对）。6、DBSCAN能够很好

5、的区分原始数据的形状，似受限于川户指定的参数。（对）7、判断簇的个数不属于簇评估。（错）8、在做聚类时，DBSCAN会删掉它汄为足噪声点的数据点。（对）9、DBSCAN的々间g杂度始终都足O（m）。（对）10、K均值可以发现不是明显分离的簇，即便簇冇重叠也可以发现，但是DBSCAN会合并有熏叠的簇。（对）四、简答题1、描述DBSCAN的算法过程。①将所冇点标记为核心点、边界点和噪声点。②删除噪声点。③为距离在Eps之内的所侖核心点之间赋予一条边。④每组连通的核心点形成一个簇。⑤将每个边界点指派到一个与之矢联的核心点的簇中。2、简答DBSCAN的优点与不足。答，优点:DB

6、SCAN是相对抗噪声的，并且能够处理任意形状和大小的簇，缺点：当簇的密度变化过大时，DBSCAN就很难敏感的发现数裾集巾的簇。同时，DBSCAN在处理高维数据时，会冇很大的开销。3、简述DBSCAN算法的核心思想。DBSCAN算法的核心思想足一个簇中除了边界点，毎个点在给定的半径Eps内必须包含不少于PinPts个数据点，这样的点称为核心点。4、确定DBSCAN参数的基木的万法是什么。答：观察点到它的K个最近邻的距离的特性。对于某个K，计算所有点的K距离，以递增的次序排序，绘制排序后的值。在阁中找到曲线拐点，拐点处的函数值为Eps半径，K的值为MinptSo5、簇评估的

7、主要任务是什么。答：①确定数据集的聚类趋势。②确定正确的簇个数。②不引用附加的倌息，评估聚类分析结果对数据的拟合情况。③将聚类分析结果与已知的客观结果比较。④比较两个簇集，确定哪个更好。9、DBSCAN算法的参数确定的®木方法是观察的特性。10、不引用附加的信息，评估聚类分析结果对数据拟合情况属于技术。答案••1、核心点边界点噪声点2、O(n*123456789)O(n)3、耐噪声能够处理任意人小和形状的簇4、高维数裾变密度的5、EPSMinPts6、簇的凝聚忡簇的分离忡均方差(SSE)7、外部指标监督指标的熵8、块对角的9、点到它的第K