Тест, свързан с ръководство · Среден Ниво

K-Means Клъстерен тест

Практикувайте присвояване на K-Means, актуализации на центроида, инерция, инициализация и ограничения на формата на клъстера с конкретни примери за групиране.

Свързани ръководни пътекиK означава групиране
Въпрос 1 на 8

Какво означава „K“ в K-Means?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Какво означава „K“ в K-Means?
    • Броят на клъстерите, които избирате предварително
    • Броят точки от данни
    • Броят на повторенията на обучението
    • Броят характеристики в набора от данни
  2. Кои са двете повтарящи се стъпки в цикъла K-Means?
    • Разделяне на клъстери, след това обединяване на клъстери
    • Присвоете точки на най-близкия центроид, след което преместете центроидите към средната стойност
    • Етикетирайте данните, след това обучете класификатор
    • Сортирайте данните, след което премахнете отклоненията
  3. Какво количество се опитва да минимизира K-Means?
    • Броят на клъстерите
    • Разстоянието между центроидите
    • Разстояние в рамките на клъстера на квадрат (инерция)
    • Броят на функциите
  4. Защо K-Means се нарича „неконтролиран“ алгоритъм?
    • It uses predefined class labels to learn a boundary
    • It requires one label per initial centroid
    • It estimates labels only after supervised training
    • It groups inputs without target class labels
  5. За какво обикновено се използва „методът на лакътя“?
    • Ускоряване на обучението
    • Изборът на добра стойност на K
    • Инициализиране на центроиди
    • Премахване на дублирани точки
  6. Защо K-Means може да даде различни резултати при различни серии?
    • K automatically changes on every run
    • Euclidean distance uses a random definition
    • Results depend on initial centroid positions
    • Convergence always produces the same global optimum
  7. A K-Means cluster contains the one-dimensional values 2, 4, and 9. Where does its centroid move in the update step?
    • 5, the mean of the assigned values
    • 4, the middle observed value
    • 9, the largest assigned value
    • 15, the sum of the assigned values
  8. A dataset contains two long, curved groups. Which K-Means limitation should the analyst consider?
    • The groups must have labels before clustering
    • K-Means always discovers curved boundaries exactly
    • Changing K guarantees the intended grouping
    • Euclidean distance to centroids can poorly represent elongated or non-spherical groups