关于K-means 算法的优缺点，以下是正确的分析：

### 正确答案
- A: k的选取不好把握
- C: 对噪音敏感

### 详细分析

| 选项 | 说明 | 分析 |
|------|------|------|
| A: k的选取不好把握 | True | K-means 需要预先设定聚类的数量 \(k\)，但选择合适的 \(k\) 值通常是困难的，因为它依赖于数据集的结构。通常需要通过经验、领域知识或使用方法（如肘部法则、轮廓系数）来确定。 |
| B: 对非凸数据集来说难以收敛 | False | K-means 的主要局限在于其对数据形状的假设，它假设簇是凸的、球形的，所以对非凸簇难以有效捕获，但这不意味着难以收敛，收敛性不依赖簇的形状。 |
| C: 对噪音敏感 | True | K-means 对噪音和异常值非常敏感，因为它使用均值来更新簇的中心，异常点可能会极大地影响这些均值的位置。 |
| D: 肯定能达到全局最优 | False | K-means 由于其本质上使用启发式的迭代优化过程，易于陷入局部最优解，特别是当初始中心选择不佳时。因此，不能保证达到全局最优。多次运行、使用不同的初始中心选择算法（如K-means++）可以改善这一点。 |

以上分析表明，A和C是正确选项。K-means 是一种简单且快速的聚类算法，但在选择簇的数量、数据集的形状以及噪音和异常值的处理上存在限制。