K均值聚类以一部分样本为对象进行聚类的结果可作为系统聚类确定类数的参考。A 对B 错

K均值聚类是一种常用的聚类算法，其目标是将样本划分为K个簇，使得簇内的样本相似度较高，而簇间的样本相似度较低。在确定K值（簇的个数）时，一种常见的方法是通过观察部分样本进行聚类，然后根据聚类结果来确定整体的类数。

解答过程：

1. K均值聚类基本原理：

K均值聚类的基本原理是通过迭代优化样本点到簇中心的距离，使得同一簇内的样本距离簇中心的距离尽量小，不同簇之间的样本距离簇中心的距离尽量大。

2. 系统聚类确定类数：

在系统聚类中，确定类数是一个关键的问题。K均值聚类可以作为系统聚类确定类数的参考。通过对部分样本进行K均值聚类，可以观察聚类效果，然后根据实际问题和数据特点来确定最适合的簇数。

3. 判断正确性：

选择K值的正确性需要根据具体问题和实验结果来判断。在某些情况下，K均值聚类的结果可能能够很好地反映数据的内在结构，但在其他情况下可能并不准确。因此，在确定K值时，需要综合考虑问题背景、领域知识以及对聚类结果的解释。

综上所述，K均值聚类以一部分样本为对象进行聚类的结果可作为系统聚类确定类数的参考，但具体是否正确要依赖于实际问题和数据特点。

因此，答案选A。