2【判断题】K-means以距离作为相似性度量的标准，将无标签的数据集聚类成不同的簇。()A. 对B. 错

考查要点：本题主要考查对K-means聚类算法核心原理的理解，特别是其相似性度量方式和聚类机制。

解题关键：

1. K-means算法的本质是基于距离的无监督学习方法，通过计算数据点之间的距离来衡量相似性。
2. 距离的定义：通常使用欧氏距离，距离越小表示数据点越相似。
3. 迭代更新机制：算法通过不断调整簇中心和数据点归属，最终形成稳定簇结构。

K-means算法的具体工作流程如下：

1. 初始化：随机选择K个初始簇中心。
2. 距离计算：计算每个数据点到所有簇中心的欧氏距离（或其他距离度量）。
3. 归属判断：将数据点分配到距离最近的簇中。
4. 更新簇中心：重新计算各簇的中心（均值点）。
5. 迭代优化：重复步骤2-4，直到簇中心不再显著变化或达到预设迭代次数。

结论：题目描述完全符合K-means算法的逻辑，因此判断为正确。