Mit dem Guide verknüpftes Quiz · Mittel Ebene

K-Means-Clustering-Quiz

Üben Sie K-Means-Zuweisungen, Schwerpunktaktualisierungen, Trägheit, Initialisierung und Clusterformgrenzen anhand konkreter Gruppierungsbeispiele.

Verwandte FührungspfadeK bedeutet Clustering
Frage 1 von 8

Worauf bezieht sich das „K“ in K-Means?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Worauf bezieht sich das „K“ in K-Means?
    • Die Anzahl der Cluster, die Sie im Voraus auswählen
    • Die Anzahl der Datenpunkte
    • Die Anzahl der Trainingsiterationen
    • Die Anzahl der Features im Datensatz
  2. Was sind die beiden sich wiederholenden Schritte in der K-Means-Schleife?
    • Cluster teilen und dann Cluster zusammenführen
    • Weisen Sie dem nächstgelegenen Schwerpunkt Punkte zu und verschieben Sie dann die Schwerpunkte auf den Mittelwert
    • Kennzeichnen Sie Daten und trainieren Sie dann einen Klassifikator
    • Sortieren Sie die Daten und entfernen Sie dann Ausreißer
  3. Welche Menge versucht K-Means zu minimieren?
    • Die Anzahl der Cluster
    • Der Abstand zwischen Schwerpunkten
    • Quadratischer Abstand innerhalb des Clusters (Trägheit)
    • Die Anzahl der Funktionen
  4. Warum wird K-Means als „unüberwachter“ Algorithmus bezeichnet?
    • 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. Wofür wird die „Ellenbogenmethode“ üblicherweise verwendet?
    • Beschleunigung des Trainings
    • Wählen Sie einen guten K-Wert
    • Schwerpunkte werden initialisiert
    • Doppelte Punkte entfernen
  6. Warum kann K-Means bei verschiedenen Läufen unterschiedliche Ergebnisse liefern?
    • 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