请记住，聚类是将一组观测划分为一组有意义的子类的过程。但实现聚类的方法有很多，选择取决于具体问题。以下哪一项陈述是 FALSE？
FALSE
本练习是课程的一部分
通过我们的互动练习之一，将理论转化为实践
本章将介绍基于模型的聚类的基本概念，以及这种方法与其他聚类技术的差异。您将学习高斯混合模型的生成过程，并了解如何可视化聚类结果。
当前练习
本章将介绍混合模型的主要结构，如何用该方法处理不同类型的数据，以及如何估计相关参数。为完成估计，您将学习一种迭代方法——期望最大化（Expectation-Maximization）算法。
本章演示如何使用 `flexmix` 包在 1 维和 2 维上拟合高斯混合模型。所用数据包含 10,000 条个人观测，包含体重、身高、体重指数以及申报的性别。
在本模块中，您将学习如何将混合模型扩展到高斯分布之外的其他概率分布，并了解如何使用 `flexmix` 对这些模型进行拟合。所用数据集包括手写数字图像和芝加哥市的犯罪数量。对于第一个数据集，您将找到能概括手写数字的聚类；对于第二个数据集，您将识别出更危险或较不危险的社区聚类。
