解析：K均值算法只能将数据分类开，并不能具体分成哪些类，所以诸如垃圾软件、晴天雨天都是无法分出的，将文章主题划分成几类，还能将网站用户划分几类，故选择AD
集的算法，就被称为聚类算法
解析：应该是x(i)与u(i)距离最短的点所以选择D才对，因为u3离x(i)最近
u1,u2,u3与x(i)距离最短的事u1,c(i)存储于第i个实例最近的聚类中心的索引，故为1
K-means是一种迭代算法，以下两个步骤在其内部循环中重复执行。 聚类单元步骤就是c(i)被更新。聚类中心步骤就是uk被更新，所以选择AC。uk的更新不是等于靠x(i)最近的,uk只能说代表与x(i)最近的聚类中心点，而运行K-均值算法的之前，我们需要首先初始化所有的聚类中心点
解析：问如何选取最佳的聚类参数，当然是代价函数最小的那个，选择B。
解析：A并不是类数越多越好，失去了意义，错误。B 是准确的，需要人为来设定 C如果我们担心K均值落到局部最小，可是多试几次随机初始化，正确。有事很难将数据划分成明确的几类，很难决策类数，正确。 D没有提到过这类方法，错误。
