数据挖掘考试题目——聚类

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、 EPS MinPts

6、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）。

①删除噪声点。

②每组连通的核心点形成一个簇。

③将所有点标记为核心点、边界点和噪声点。

④将每个边界点指派到一个与之关联的核心点的簇中。

⑤为距离在Eps之内的所有核心点之间赋予一条边。

A：①②④⑤③

B：③①⑤②④

C：③①②④⑤

D：①④⑤②③

2、如果有m个点，DBSCAN在最坏的情况下的时间复杂度度为（C）。

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 Eps

B MinPts

C 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）

A 数据的形状太复杂

B 簇的大小未知

C 噪声点过多

D 开销过大

7、簇评估能够做到（D）

①确定数据集的聚类趋势。

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

A ①②

B ②③④

C ①②③ D①②③④

8、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，MinPts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会合并有重叠的簇。（对）

四、简答题

1、描述DBSCAN的算法过程。

①将所有点标记为核心点、边界点和噪声点。

②删除噪声点。

③为距离在Eps之内的所有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：①确定数据集的聚类趋势。

②确定正确的簇个数。