（单选题）
（）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。
AMIN（单链）
BMAX（全链）
C组平均
DWard方法
正确答案
答案解析
略
相似试题
（单选题）
（）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。
（判断题）
基于邻近度的离群点检测方法不能处理具有不同密度区域的数据集。
（简答题）
下表中列出了4个点的两个最近邻。使用SNN相似度定义，计算每对点之间的SNN相似度。
（判断题）
K均值是一种产生划分聚类的基于密度的聚类算法，簇的个数由算法自动地确定。
（单选题）
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。
（单选题）
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（）的相似度计算方法。
（单选题）
在基本K均值算法里，当邻近度函数采用（）的时候，合适的质心是簇中各点的中位数。
（单选题）
一个对象的离群点得分是该对象周围密度的逆。这是基于（）的离群点定义。
（判断题）
关联规则挖掘过程是发现满足最小支持度的所有项集代表的规则。
