Quiz zum unbeaufsichtigten Lernen

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

1. Ein Datensatz hat keine Beschriftungen, aber ein Team möchte ähnliche Datensätze gruppieren. Welche Methodenfamilie passt zu diesem Ziel?
   • Unbeaufsichtigtes Lernen
   • Überwachte Klassifizierung
   • Zielkodierung
   • Rückschritt
2. Zwei Kundendatensätze unterscheiden sich um einen Besuch und 1.000 Dollar Ausgaben. Was kann die rohe euklidische Distanz bewirken?
   • Behandeln Sie die Features automatisch gleich
   • Lassen Sie sich von der Ausgabendifferenz dominieren, da die Funktionsskalen unterschiedlich sind
   • Beweisen Sie, dass die Datensätze zu verschiedenen realen Kategorien gehören
   • Beseitigen Sie die Notwendigkeit, Merkmale zu prüfen
3. Eine zweidimensionale Projektion zeigt zwei getrennte Wolken. Welche Einschränkung sollte ein Analyst beachten?
   • Bei jeder Entfernung im Diagramm bleiben alle ursprünglichen Entfernungen genau erhalten
   • Die Projektion beweist, dass es sich bei den Gruppen um echte Kategorien handelt
   • Bei der Projektion werden Informationen verworfen, sodass offensichtliche Lücken keine unbestreitbaren Tatsachen über die Originaldaten sind
   • Durch die Visualisierung entfällt die Notwendigkeit, Rohabmessungen zu prüfen
4. Ein Clustering-Ergebnis ändert sich nach angemessenen Vorverarbeitungsentscheidungen. Was soll das Team tun?
   • Behandeln Sie die Vorverarbeitung als irrelevant
   • Nennen Sie das erste Ergebnis als entdeckte Wahrheit
   • Wählen Sie die Handlung aus, die am stärksten getrennt aussieht
   • Untersuchen Sie die Stabilität und überprüfen Sie repräsentative und grenzwertige Aufzeichnungen
5. Ein Cluster basiert auf der Kaufhäufigkeit und nicht auf Produktpräferenzen. Was folgt?
   • Die Clusternamen werden vom Algorithmus festgelegt
   • Die Ähnlichkeitsregel und die Merkmale beeinflussen, welche Gruppierungen angezeigt werden
   • Beide Analysen müssen identische Segmente zurückgeben
   • Die Kaufhäufigkeit beweist die Absicht des Kunden
6. Der interne Clustering-Score ist hoch. Was stellt das fest?
   • Dass der Cluster in allen Einstellungen stabil bleibt
   • Dass die Gruppe eine echte menschliche Kategorie ist
   • Unter diesem Gesichtspunkt handelt es sich um eine mathematische Eigenschaft, nicht um eine automatische Nützlichkeit für den eigentlichen Zweck
   • Diese Anomalien sind schädlich
7. Ein Anomaliedetektor markiert eine ungewöhnliche Transaktion. Was kann die Warnung unterstützen?
   • Untersuchung, aber kein Beweis für Fehlverhalten
   • Eine automatische Betrugserkennung
   • Eine Diagnose des Kontoinhabers
   • Ein garantierter Grund für den außergewöhnlichen Wert
8. Ein Team skaliert Features und sieht verschiedene Nachbarn. Warum ist Skalierung relevant?
   • Es macht hochdimensionale Daten verlustfrei
   • Es liefert Zieletiketten
   • Es beweist ein besseres Kategoriensystem
   • Es verändert, wie Merkmalsunterschiede zur Ähnlichkeit beitragen