Kvíz spojený s průvodcem · Střední úroveň

K-Means kvíz o shlukování

Procvičte si přiřazení K-Means, aktualizace těžiště, setrvačnost, inicializaci a limity tvaru clusteru s konkrétními příklady seskupení.

Související vodicí cestyK znamená shlukování
Otázka 1 z 8

Co znamená „K“ v K-Means?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. Co znamená „K“ v K-Means?
    • Počet clusterů, které si předem vyberete
    • Počet datových bodů
    • Počet iterací tréninku
    • Počet funkcí v datové sadě
  2. Jaké jsou dva opakující se kroky ve smyčce K-Means?
    • Rozdělte clustery a poté sloučte clustery
    • Přiřaďte body nejbližšímu těžišti a poté přesuňte těžiště ke středu
    • Označte data a poté natrénujte klasifikátor
    • Seřaďte data a poté odstraňte odlehlé hodnoty
  3. Jaké množství se K-Means snaží minimalizovat?
    • Počet shluků
    • Vzdálenost mezi centroidy
    • Kvadratická vzdálenost uvnitř seskupení (setrvačnost)
    • Počet funkcí
  4. Proč se K-Means nazývá „bez dozoru“ algoritmus?
    • 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. K čemu se běžně používá „metoda loktů“?
    • Urychlení tréninku
    • Výběr dobré hodnoty K
    • Inicializace centroidů
    • Odstranění duplicitních bodů
  6. Proč může K-Means poskytovat různé výsledky na různých bězích?
    • 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