编号按照对应的内容，1-1代表第一大部分遇到的第一题，R代表Review，C代表运行的代码（Code）。
1-1
解：ABC
A：无监督学习数据集不带有标签，正确。
B：聚类是无监督学习的一种，正确。
C：无监督学习可以寻找数据中的结构，正确。
D：聚类不是唯一的无监督学习算法，错误。
1-2
解：ABD
一号样本和二号样本被分到3号类，三号样本被分到5号类。分到这些类别是因为样本点距离聚类中心点最小。
1-3
解：D
在KMeans算法指定参数后，代价函数J的值只会减小，不会增加。
1-4
解：C
初始化KMeans时可以将聚类中心通过原始样本点初始化。
1-5
解：C
k=5的时候代价函数J的值比k=3的时候大，这个现象与代价函数会随着k的增大而减小相悖。我们可以推断，k=5的时候陷入了局部最优解，我们重新地随机初始化k=5时的训练，从而找到全局最优解。
2-1
解：C
数据降维必须保证k小于等于n，不会更改样本数。
2-2
解：BD
压缩后的维度k必须小于等于原始维度n。
如果我们想要进行可视化，由于可视化一般是二维和三维的，因此我们需要令k=2或k=3.
3-1
解：D
使用主成分分析进行数据压缩，u选择的是数据方差最大，也是误差最小的方向，可以看出y=-x的方向。
3-2
解：D
4-1
解：ABC
k=n的时候相当于没有进行维度规约，方差保留量是100%。
4-2
解：C
最小化样本点x到向量u的误差。
4-3
解：ABD
A：压缩数据来占用更少的内存和硬盘，正确。
B：降低输入数据的维度来加速学习算法的运算，正确。
C：主成分分析不能解决过拟合的问题，错误。
D：可视化高维数据，需要将k设置成2或3。
R
R1-1
解：AB
C：给历史天气记录来预测降雨量是一个回归问题，不可以用聚类来解决，错误。
D：给商场的销售记录来预测每件商品的未来的销量是回归问题，不可以用聚类来解决，错误。
R1-2
解：B
R1-3
解：CD
KMeans中先更新c，再更新聚类中心。
R1-4
解：D
R1-5
解：AB
R2-1
解：AB
R2-2
解：C
R2-3
解：A
R2-4
解：CD
R2-5
解：AC