Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ K-Means Clustering

Εξασκηθείτε σε αναθέσεις K-Means, ενημερώσεις κεντροειδούς, αδράνεια, αρχικοποίηση και όρια σχήματος συμπλέγματος με συγκεκριμένα παραδείγματα ομαδοποίησης.

Σχετικές διαδρομές οδηγώνK Σημαίνει Ομαδοποίηση
Ερώτηση 1 του 8

Τι σημαίνει το 'K' στο K-Means;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Τι σημαίνει το 'K' στο K-Means;
    • Ο αριθμός των συμπλεγμάτων που επιλέγετε εκ των προτέρων
    • Ο αριθμός των σημείων δεδομένων
    • Ο αριθμός των επαναλήψεων εκπαίδευσης
    • Ο αριθμός των χαρακτηριστικών στο σύνολο δεδομένων
  2. Ποια είναι τα δύο επαναλαμβανόμενα βήματα στον βρόχο K-Means;
    • Διαχωρίστε τα συμπλέγματα και, στη συνέχεια, συγχωνεύστε τα συμπλέγματα
    • Εκχωρήστε σημεία στο πλησιέστερο κέντρο και, στη συνέχεια, μετακινήστε τα κεντροειδή στη μέση τιμή
    • Επισημάνετε τα δεδομένα και μετά εκπαιδεύστε έναν ταξινομητή
    • Ταξινομήστε τα δεδομένα και, στη συνέχεια, αφαιρέστε τις ακραίες τιμές
  3. Ποια ποσότητα προσπαθεί να ελαχιστοποιήσει η K-Means;
    • Ο αριθμός των συστάδων
    • Η απόσταση μεταξύ των κεντροειδών
    • Τετράγωνη απόσταση εντός συστάδας (αδράνεια)
    • Ο αριθμός των χαρακτηριστικών
  4. Γιατί το K-Means ονομάζεται αλγόριθμος «χωρίς επίβλεψη»;
    • 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. Σε τι χρησιμοποιείται συνήθως η «μέθοδος του αγκώνα»;
    • Επιτάχυνση της προπόνησης
    • Επιλέγοντας μια καλή τιμή του Κ
    • Εκκίνηση κεντροειδών
    • Αφαίρεση διπλών σημείων
  6. Γιατί το K-Means μπορεί να δώσει διαφορετικά αποτελέσματα σε διαφορετικές διαδρομές;
    • 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