Quiz lié à un guide · Moyen Niveau

Quiz sur le clustering K-Means

Pratiquez les affectations K-Means, les mises à jour du centroïde, l'inertie, l'initialisation et les limites de forme de cluster avec des exemples de regroupement concrets.

Chemins de guidage associésK signifie regroupement
Question 1 de 8

À quoi fait référence le « K » dans K-Means ?

Prévisualisez chaque question8 des questions

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

  1. À quoi fait référence le « K » dans K-Means ?
    • Le nombre de clusters que vous choisissez à l'avance
    • Le nombre de points de données
    • Le nombre d'itérations de formation
    • Le nombre d'entités dans l'ensemble de données
  2. Quelles sont les deux étapes répétitives dans la boucle K-Means ?
    • Diviser les clusters, puis fusionner les clusters
    • Attribuez des points au centroïde le plus proche, puis déplacez les centroïdes vers la moyenne
    • Étiquetez les données, puis entraînez un classificateur
    • Trier les données, puis supprimer les valeurs aberrantes
  3. Quelle quantité K-Means essaie-t-il de minimiser ?
    • Le nombre de clusters
    • La distance entre les centroïdes
    • Distance carrée au sein du cluster (inertie)
    • Le nombre de fonctionnalités
  4. Pourquoi K-Means est-il appelé un algorithme « non supervisé » ?
    • 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. À quoi sert la « méthode du coude » couramment utilisée ?
    • Accélérer la formation
    • Choisir une bonne valeur de K
    • Initialisation des centroïdes
    • Supprimer les points en double
  6. Pourquoi K-Means peut-il donner des résultats différents sur différentes exécutions ?
    • 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