（）不属于有监督方法。

（）不属于有监督方法。
A.朴素贝叶斯
B.K均值
C.孤立森林
D.支持向量机
正确答案：BC
B.K均值：
K均值聚类算法属于无监督学习方法。它的目的是将给定的数据集划分成K个不同的簇，使得同一个簇内的数据点相似度较高，而不同簇之间的数据点相似度较低。在整个过程中，算法并不依赖于预先标记好的类别信息，只是根据数据点之间的距离度量（如欧氏距离）来进行分组。例如，对于一组表示不同水果特征（如重量、颜色等属性）的数据点，K均值算法可以在不知道这些水果具体类别的情况下，将相似特征的水果划分到同一簇中，形成不同的类别簇。
C.孤立森林：
孤立森林是一种异常检测算法，同样属于无监督学习范畴。它通过构建多棵孤立树来对数据点进行孤立操作，那些在树中很快被孤立（即路径较短）的数据点被认为是异常点。孤立森林在训练过程中不需要知道数据的真实标签，完全基于数据自身的分布特征来识别异常。比如在检测网络流量数据中的异常行为时，它可以自动发现那些与正常流量模式差异较大的数据点，而无需事先标记哪些是正常流量、哪些是异常流量。
A.朴素贝叶斯：
朴素贝叶斯是典型的有监督学习算法。它基于贝叶斯定理，利用已知类别的训练数据来学习特征与类别之间的概率关系。在分类任务中，给定一个新的数据样本，朴素贝叶斯模型根据训练数据中学到的概率信息，计算该样本属于各个类别的概率，从而预测其类别。例如在文本分类中，通过已知类别的文本数据（如垃圾邮件和正常邮件）来训练朴素贝叶斯模型，模型学习到不同单词在不同类别邮件中出现的概率，进而对新的邮件进行分类。
D.支持向量机：
支持向量机也是有监督学习算法。它旨在寻找一个最优的超平面，能够在特征空间中最大程度地将不同类别的数据点分开。在训练阶段，支持向量机利用带有类别标签的训练数据来确定超平面的参数。例如在二分类问题中，给定一组已标记为正类和负类的数据点，支持向量机通过优化目标函数找到一个超平面，使得两类数据点到超平面的间隔最大化，从而对新的数据点进行分类预测。