文件数据挖掘试题(单选)a.docx

A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则 如果规则集中的规则按照优先级降序排列，则称规则集是 (D) A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则 如果允许一条记录触发多条分类规则，把每条被触发规则的后件看作是对相应类的一次投票，然后计票确定测试记录的类标号，称为（A） A, 无序规则 B，穷举规则 C， 互斥规则 D，有序规则 考虑两队之间的足球比赛：队0 和队 1。假设 65%的比赛队 0 胜出，剩余的比赛队 1 获胜。队 0 获胜的比赛中只有 30%是在队 1 的主场，而队 1 取胜的比赛中 75%是主场获胜。如果下一场比赛在队 1 的主场进行队 1 获胜的概率为 (C) A， B,0.35 C, D, 以 下 关 于 人 工 神 经 网 络 （ANN） 的 描 述 错 误 的 有 (A) A，神经网络对训练数据中的噪声非常鲁棒 B，可以处理冗余特征 C，训练 ANN 是一个很耗时的过程 D，至少含有一个隐藏层的多层神经网络 通过聚集多个分类器的预测来提高分类准确率的技术称为 (A) A,组合(ensemble) B,聚集(aggregate) C，合并(combination) D，投票(voting) 简单地将数据对象集划分成不重叠的子集，使得每个数据对象恰在一个子集中，这种聚类类型称作（ B ） A、层次聚类 B、划分聚类 C、非互斥聚类 D、模糊聚类 在基本 K 均值算法里，当邻近度函数采用（ A ）的时候，合适的质心是簇中各点的中位数。 A、曼哈顿距离 B、平方欧几里德距离 C、余弦距离 D、Bregman 散度65.（ C ）是一个观测值，它与其他观测值的差别如此之大，以至于怀疑它是由不同的机制产生的。 A、边界点 B、质心 C、离群点 D、核心点 BIRCH 是一种（ B ）。 A、分类器 B、聚类算法 C、关联分析算法 D、特征选择算法 检测一元正态分布中的离群点，属于异常检测中的基于（ A ）的离群点检测。 A、统计方法 B、邻近度 C、密度 D、聚类技术 68.（ C ）将两个簇的邻近度定义为不同簇的所有点对的平均逐对邻近度，它是一种凝聚层次聚类技术。 A、MIN（单链） B、MAX（全链） C、组平均 D、Ward 方法 69.（ D ）将两个簇的邻近度定义为两个簇合并时导致的平方误差的增量，它是一种凝聚层次聚类技术。 A、MIN（单链） B、MAX（全链） C、组平均 D、Ward 方法 DBSCAN 在最坏情况下的时间复杂度是（ B ）。 A、O(m) B、O(m2) C、O(log m) D、O(m*log m) 在基于图的簇评估度量表里面，如果簇度量为proximity(Ci , C)，簇权值为 mi ，那么它的类型是（ C ）。 A、基于图的凝聚度 B、基于原型的凝聚度 C、基于原型的分离度 D、基于图的凝聚度和分离度 关于K 均值和 DBSCAN 的比较，以下说法不正确的是（ A ）。 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。 以下是哪一个聚类算法的算法流程：①构造 k－最近邻图。②使用多层图划分算法划分图。③repeat：合并关于相对互连性和相对接近性而言，最好地保持簇的自相似性的簇。 ④until：不再有可以合并的簇。（ C ）。 A、MST B、OPOSSUM C、Chameleon D、Jarvis－Patrick（JP） 考虑这么一种情况：一个对象碰巧与另一个对象相对接近，但属于不同的类，因为这两个对象一般不会共享许多近邻，所以应该选择（ D ）的相似度计算方法。 A、平方欧几里德距离 B、余弦距离 C、直接相似度 D、共享最近邻 以下属于可伸缩聚类算法的是（ A ）。 A、CURE B、DENCLUE C、CLIQUE D、OPOSSUM 以下哪个聚类算法不是属于基于原型的聚类（ D ）。 A、模糊c 均值 B、EM 算法 C、SOM D、CLIQUE 关于混合模型聚类算法的优缺点，下面说法正确的是（ B ）。 A、当簇只包含少量数据点，或者数据点近似协线性时，混合模型也能很好地处理。 B、混合模型比K 均值或模糊c 均值更一般，因为它可以使用各种类型的分布。 C、混合模型很难发现不同大小和椭球形状的簇。D、混合模型在有噪声和离群点时不会存在问题。 以下哪个聚类算法不属于基于网格的聚类算法（ D ）。 A、