《数据挖掘考试题目》由会员分享，可在线阅读，更多相关《数据挖掘考试题目（6页珍藏版）》请在金锄头文库上搜索。
1、数据挖掘考试题目聚类一 、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：、 、。2、DBSCAN 算法在最坏的情况下，时间复杂度是、空间复杂度是。3、DBSCAN 算法的优点是、。4、DBSCAN 算法的缺点是处理、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：、，它常采用的指标为。7、簇的有效性的监督度量通常称为，它度量簇标号与外部提供的标号的匹配程度主要借助。8、在相似度矩阵评价的聚类中，如果有明显分离的簇，则相似度矩阵应当粗略地是9、DBSCAN 算法的参数确定的基本方法是观察的特性。10、不引用附加的信息，评估聚类分析结果对数据
2、拟合情况属于技术答案：1、核心点 边界点 噪声点2、 O(n2)O(n)3、耐噪声 能够处理任意大小和形状的簇4、高维数据 变密度的5、 EPSMinPts6、簇的凝聚性簇的分离性均方差(SSE)7、外部指标 监督指标的熵8、块对角的9、点到它的第K个最近邻的距离(K-距离)10、非监督二、选择题1、DBSCAN算法的过程是（B）。 删除噪声点。 每组连通的核心点形成一个簇。 将所有点标记为核心点、边界点和噪声点。 将每个边界点指派到一个与之关联的核心点的簇中。 为距离在 Eps 之内的所有核心点之间赋予一条边。A：B：C：D：2、如果有m个点，DBSCAN在最坏的情况下的时间复杂度度为（C）
3、。A O（m）B O（mlogm）C O（m2）D O（logm）3、在基本DBSCAN的参数选择方法中，点到它的K个最近邻的距离中的K选作为哪一个 参数（ B）。A EpsB MinPtsC 质心D 边界4、当采用K-距离的方法选择DBSCAN的Eps和MinPts参数时，如果设置的K的值太大， 则小簇（尺寸小于K的簇）可能会被标记为（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，适宜采用DBSCAN的是（B）A 球形B SS 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、簇评估能够做到（D） 确定数据集的聚类趋势。 确
4、定正确的簇个数。 比较两个簇集，确定那个更好。 不引用附加信息，评估聚类分析结果对数据拟合情况ABCD8、如果不考虑外部信息，聚类结构的有良性度量应当采用（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估度量，相对的簇评估以（）来评价不同 的聚类或簇。A SSE 或熵 B 簇的大小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 只有高密度的点的聚集区划为簇，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固定时，MinP
5、ts的值越大越好。（错）2、DBSCAN会把所有点划分到各自的簇中。（错）3、在所有核心点的Eps半径邻域内的点数都不少于MinPts阈值。（对）4、SSE在无监督的簇评估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能够很好的区分原始数据的形状，但受限于用户指定的参数。（对）7、判断簇的个数不属于簇评估。（错）8、在做聚类时，DBSCAN会删掉它认为是噪声点的数据点。（对）9、DBSCAN的空间复杂度始终都是O（m）。（对）10、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
6、叠的簇。（对）四、简答题1、描述DBSCAN的算法过程。 将所有点标记为核心点、边界点和噪声点。 删除噪声点。 为距离在Eps之内的所有核心点之间赋予一条边。 每组连通的核心点形成一个簇。 将每个边界点指派到一个与之关联的核心点的簇中。2、简答DBSCAN的优点与不足。答，优点：DBSCAN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据集中的簇。同时，DBSCAN在处理高维数据时，会有很大的开销。3、简述DBSCAN算法的核心思想。DBSCAN算法的核心思想是一个簇中除了边界点，每个点在给定的半径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参数的基本的方法是什么。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。在图中找到曲线拐点，拐点处的函数值为Eps半径，K的值 为 Minpts。5、簇评估的主要任务是什么。答：确定数据集的聚类趋势。 确定正确的簇个数。 不引用附加的信息，评估聚类分析结果对数据的拟合情况。 将聚类分析结果与已知的客观结果比较。 比较两个簇集，确定哪个更好。
