Quiz lié à un guide · Facile Niveau

Quiz d'apprentissage non supervisé

Explorez le clustering, l'échelle des fonctionnalités, la réduction des dimensions, les contrôles de stabilité et la manière dont les scores d'anomalie facilitent les enquêtes sans prouver la cause.

Chemins de guidage associésApprentissage non supervisé
Question 1 de 8

Un ensemble de données n'a pas d'étiquettes, mais une équipe souhaite regrouper des enregistrements similaires. Quelle famille de méthodes répond à cet objectif ?

Prévisualisez chaque question8 des questions

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

  1. Un ensemble de données n'a pas d'étiquettes, mais une équipe souhaite regrouper des enregistrements similaires. Quelle famille de méthodes répond à cet objectif ?
    • Apprentissage non supervisé
    • Classement surveillé
    • Target encoding
    • Régression
  2. Deux dossiers clients diffèrent par une visite et 1 000 dollars de dépenses. Que peut faire la distance euclidienne brute ?
    • Automatically treat the features equally
    • Be dominated by the spending difference because feature scales differ
    • Prove that the records belong to different real categories
    • Remove the need to inspect features
  3. Une projection bidimensionnelle montre deux nuages ​​​​séparés. De quelle limite un analyste doit-il se souvenir ?
    • Every distance in the plot exactly preserves all original distances
    • The projection proves the groups are true categories
    • The projection discards information, so apparent gaps are not unquestionable facts about the original data
    • Visualization removes the need to inspect raw dimensions
  4. Un résultat de clustering change après des choix de prétraitement raisonnables. Que doit faire l’équipe ?
    • Treat preprocessing as irrelevant
    • Name the first result as a discovered truth
    • Choose whichever plot looks most separated
    • Examine stability and inspect representative and borderline records
  5. Un cluster est construit à partir de la fréquence d’achat plutôt que des préférences de produits. Qu'est-ce qui suit ?
    • The cluster names are fixed by the algorithm
    • The similarity rule and features affect what groupings appear
    • Both analyses must return identical segments
    • Purchase frequency proves customer intent
  6. An internal clustering score is high. What does that establish?
    • That the cluster will remain stable in all settings
    • That the group is a true human category
    • A mathematical property under that score, not automatic usefulness for the real purpose
    • That anomalies are harmful
  7. An anomaly detector flags an unusual transaction. What can the alert support?
    • Investigation, but not proof of misconduct
    • An automatic finding of fraud
    • A diagnosis of the account owner
    • A guaranteed reason for the unusual value
  8. A team scales features and sees different neighbors. Why is scaling relevant?
    • It makes high-dimensional data lossless
    • It supplies target labels
    • It proves a better category system
    • It changes how feature differences contribute to similarity