聚类分析和模糊聚类分析的区别 聚类分析分为硬聚类分析和软聚类分析。模糊聚类是软聚类分析中的，算是聚类分析的一个分支。
在大数据分析中哪些聚类算法是最常使用的？ 聚类算法那么多，并不清楚具体哪些才是真正用的到的，不能够选择性的学习.
灰色聚类分析法的优缺点 聚类分析的方法很多，关键是分出来的类类内相似度高，类间相似度低，这是聚类效果比较好的表现，至于你说的优缺点，那就看看具体的算法，现在聚类算法很多也很混乱，你可以。
如何评价聚类结果的好坏 聚类定义回顾：把一个文档集合根据文档的相似性把文档分成若干类，究竟分成多少类，这个要取决于文档集合里文档自身的性质。回答1：基于不同算法，会有不同指标，通常较。
什么是基于聚类的离群点监测方法 本论文提出来一个聚类方法用以检测离群点。通过使用k均值聚类算法来从数据集中划分聚类。离聚类中心比较近的点不太可能是离群点，同时我们可以从聚类中去除掉这些点。接下来计算剩下的点和离群点的距离。需要计算的离群点度的降低可能是由于一些点的去除。我们声明离群度最高的点作为离群点。实验数据使用真实数据集，并论证得知，即使所计算的数据比较少，但所提出的方法比现存的方法优越。
聚类分析方法有什么好处 聚类分析：将个体（样品）或者对象（变量）按相似程度（距离远近）划分类别，使得同一类中的元素之间的相似性比其他类的元素的相似性更强。目的在于使类间元素的同质性最大化和类与类间元素的异质性最大化。其主要依据是聚到同一个数据集中的样本应该彼此相似，而属于不同组的样本应该足够不相似。常用聚类方法：系统聚类法，K-均值法，模糊聚类法，有序样品的聚类，分解法，加入法。注意事项：1.系统聚类法可对变量或者记录进行分类，K-均值法只能对记录进行分类；2.K-均值法要求分析人员事先知道样品分为多少类；3.对变量的多元正态性，方差齐性等要求较高。应用领域：细分市场，消费行为划分，设计抽样方案等优点：聚类分析模型的优点就是直观，结论形式简明。缺点：在样本量较大时，要获得聚类结论有一定困难。由于相似系数是根据被试的反映来建立反映被试间内在联系的指标，而实践中有时尽管从被试反映所得出的数据中发现他们之间有紧密的关系，但事物之间却无任何内在联系，此时，如果根据距离或相似系数得出聚类分析的结果，显然是不适当的，但是，聚类分析模型本身却无法识别这类错误。
顺序聚类算法的缺点会不会受到样本输入次序的影响 影响基本K-均值算法的主要因素有()A.样本输入顺序B.模式相似性测度C.聚类准则
