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。A、概率B、邻近度C、密度D、聚类

第1题：

第2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。

正确答案:正确

第3题：

一种常用的确定离群点的简单方法是（）

正确答案:出落在至少高于第三个四分位数或低于第一个四分位数1.5*IQR处的值

第4题：

离群点可以是合法的数据对象或者值。

正确答案:正确

第5题：

简述离群点挖掘问题的构成。

正确答案:（1）定义在一个数据集中什么数据是不一致或者离群的数据。
（2）找出所定义的离群点的有效挖掘方法。

第6题：

（）是一个观测值，它与其他观测值的差别如此之大，以至于怀疑它是由不同的机制产生的。

• A、边界点
• B、质心
• C、离群点
• D、核心点

正确答案:C

第7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。

• A、概率
• B、邻近度
• C、密度
• D、聚类

正确答案:C

第8题：

检测一元正态分布中的离群点，属于异常检测中的基于（）的离群点检测。

• A、聚类技术
• B、邻近度
• C、密度
• D、统计方法

正确答案:D

第9题：

第10题：

第11题：

第12题：

第13题：

下面关于Jarvis－Patrick（JP）聚类算法的说法不正确的是（）。

• A、JP聚类擅长处理噪声和离群点，并且能够处理不同大小、形状和密度的簇
• B、JP算法对高维数据效果良好，尤其擅长发现强相关对象的紧致簇
• C、JP聚类是基于SNN相似度的概念
• D、JP聚类的基本时间复杂度为O（m）

正确答案:D

第14题：

依据类信息可利用的程度，离群点挖掘可分为哪三种基本方法？

正确答案:（1）无监督的离群点检测法；
（2）有监督的离群点检测法；
（3）半监督的离群点。
主要处理的问题：全局观点和局部观点，点的离群程度，离群点的数量及时效性。

第15题：

为什么要关注离群点？

正确答案:在一些应用领域中，识别离群点是许多工作的基础和前提。一般地，离群点可能对应于稀有事件或异常行为，所以，离群点的挖掘会给我们带来新的视角和发现，离群点往往具有特殊的意义和很高的实用价值，需要对其进行认真审视和研究，因为它们表示一种偏差或新的模式的开始，这可能会对用户带来危害，或造成巨大损失。

第16题：

基于对象之间的距离进行聚类，这样的方法只能发现秋装的类，而在发现任意形状的类上有困难指的是（）

• A、划分法
• B、基于密度的方法
• C、基于网格地方法

正确答案:B

第17题：

什么是聚类？简单描述如下的聚类方法：划分方法，层次方法，基于密度的方法，基于模型的方法。为每类方法给出例子。

正确答案:聚类是将数据划分为相似对象组的过程，使得同一组中对象相似度最大而不同组中对象相似度最小。主要有以下几种类型方法：
（1）划分方法
给定一个有N个元组或者记录的数据集，分裂法将构造K个分组，每一个分组就代表一个聚类，K 使用这个基本思想的算法有：K-MEANS算法、K-MEDOIDS算法、CLARANS算法。
（2）层次方法
这种方法对给定的数据集进行层次似的分解，直到某种条件满足为止。具体又可分为“自底向上”和“自顶向下”两种方案。例如在“自底向上”方案中，初始时每一个数据记录都组成一个单独的组，在接下来的迭代中，它把那些相互邻近的组合并成一个组，直到所有的记录组成一个分组或者某个条件满足为止。
代表算法有：BIRCH算法、CURE算法、CHAMELEON算法等。
（3）基于密度的方法
基于密度的方法与其它方法的一个根本*区别是：它不是基于各种各样的距离，而是基于密度的。这样就能克服基于距离的算法只能发现“类圆形”的聚类的缺点。这个方法的指导思想就是：只要一个区域中的点的密度大过某个阈值，就把它加到与之相近的聚类中去。
代表算法有：DBSCAN算法、OPTICS算法、DENCLUE算法等。
（4）基于模型的方法
基于模型的方法给每一个聚类假定一个模型，然后去寻找能够很好的满足这个模型的数据。这样一个模型可能是数据点在空间中的密度分布函数或者其它。它的一个潜在假定就是：目标数据集是由一系列的概率分布所决定的。
基于模型的方法主要有两类：统计学方法和神经网络方法（SOM）。

第18题：

以下哪个聚类分析的方法是利用统计学定义的距离进行度量（）

• A、层次聚类法
• B、快速聚类法（K-Mans）
• C、基于密度的聚类法
• D、基于网格的聚类法

正确答案:A,B

第19题：

如果一个对象不强属于任何簇，那么该对象是基于聚类的离群点。

正确答案:正确

第20题：

第21题：

第22题：

第23题：

第24题：