有关kmeans算法，以下正确的说法有哪些

A.kmeans算法对于非凸型的聚类不能产生聚类结果。

B.在确定样本集是否可以使用kmeans算法时，可以先对数据集进行可视化观察样本集的大致分布。

C.初始聚类中心的选择会影响kmeans算法的收敛速度。

D.kmeans需要多次迭代，因此对于大的样本集速度求解比较慢。

A.Kmeans算法有效的前提假设是数据满足高斯分布

B.Kmeans需要手工指定类别的数目k

C.对于多维实数数据，Kmeans算法最终一定是收敛的

D.Kmeans算法可以直接得到类别分布的层级关系

A.kmeans只能处理凸型分布的非数值型样本。

B.kmeans算法需要在聚类前确定类数k，这个k值需要有助于解释各类的业务含义。

C.kmeans聚类的过程与初始的k个假设的聚类中心的选择没关。

D.kmeans算法对异常样本非常敏感，因此在聚类前要把异常样本直接删除。

A.kmeans算法对异常样本非常敏感，因此在聚类前要把异常样本直接删除

B.kmeans只能处理凸型分布的非数值型样本

C.kmeans聚类的过程与初始的k个假设的聚类中心的选择没关

D.kmeans算法需要在聚类前确定类数k，这个k值需要有助于解释各类的业务含义

A.Kmeans算法

B.线性回归

C.逻辑回归

D.支持向量机SVM

A.密度聚类

B.层次聚类

C.谱聚类

D.Kmeans

A.KNN算法

B.逻辑回归

C.随机森林

D.Kmeans

A.自底向上的层次聚类算法对样本的输入顺序比较敏感。

B.聚类的簇密度指样本的个数多少。

C.类似Kmeans基于划分的聚类与基于层次的聚类都是样本的距离为划分基础。

D.聚类的结果要考虑业务的可解释性。

A.类似Kmeans基于划分的聚类与基于层次的聚类都是样本的距离为划分基础。

B.聚类的结果要考虑业务的可解释性。

C.自底向上的层次聚类算法对样本的输入顺序比较敏感。

D.聚类的簇密度指样本的个数多少。

A.随机森林

B.逻辑回归

C.Kmeans

D.KNN算法