A.NaiveBayes朴素贝叶斯算法
B.Pearson趋势关联分析+K-means自学习聚类
C.基于PNN的神经网络算法
D.k均值聚类算法
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
若将森林中的每棵树视作一个等价类,则Kruskal算法迭代过程所涉及的计算不外乎两类:
支持以上操作接口的数据结构,即所谓的独立集(disjoint set),亦称作并查集(union-find set)。
a)试基于此前介绍过的基本数据结构实现并查集,并用以组织Kruskal算法中的森林;
b)按你的实现,find()和union()接口的复杂度各是多少?相应地,Kruskal算法的复杂度呢?
K-means算法的缺点不包括()
A K必须是事先给定的 B 选择初始聚类中心 C 对于“噪声”和孤立点数据是敏感的
D可伸缩、高效
设使用Pratt序列:
对长度为n的任一向量S做希尔排序。
试证明:
a)若S已是(2,3)-有序,则只需o(n)时间即可使之完全有序;
b)对任何,若S已是(2hk,3hk)-有序,则只需o(n)时间即可使之hk-有序;
c)针对序列中的前o(logtn)项,希尔排序算法需要分别迭代一轮;
d)总体的时间复杂度为o(log2n)。
A.敕造(chì)槲寄生(hú)锲而不舍(qiè)长歌当哭(dàng)
B.炽热(zhì)汗涔涔(cén)层峦叠嶂(luán)百舸争流(kě)
C.孱头(càn)潭柘寺(zhè)煊赫一时(xuǎn)昙花一现(tán)
D.茗烟(míng)文绉绉(zhōu)锱铢必较(zī)间或一轮(jiàn)