Útmutatóhoz kapcsolódó kvíz · Közepes Szint

K-Means klaszterező kvíz

Practice K-Means assignments, centroid updates, inertia, initialization, and cluster-shape limits with concrete grouping examples.

Kapcsolódó útmutató utakK klaszterezést jelent
kérdés 1 -ból 8

Mire utal a "K" a K-Means-ben?

Tekintse meg az összes kérdést8 kérdéseket

A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.

  1. Mire utal a "K" a K-Means-ben?
    • Az előre kiválasztott klaszterek száma
    • Az adatpontok száma
    • A képzési iterációk száma
    • Az adatkészletben lévő funkciók száma
  2. Mi a két ismétlődő lépés a K-Means ciklusban?
    • Klaszterek felosztása, majd fürtök egyesítése
    • Rendeljen pontokat a legközelebbi súlyponthoz, majd mozgassa a súlypontokat az átlaghoz
    • Címkézze fel az adatokat, majd tanítson be egy osztályozót
    • Rendezze az adatokat, majd távolítsa el a kiugró értékeket
  3. Milyen mennyiséget próbál a K-Means minimalizálni?
    • A klaszterek száma
    • A centroidok közötti távolság
    • Klaszteren belüli távolság négyzet (tehetetlenség)
    • A funkciók száma
  4. Miért nevezik a K-Means-t „felügyelet nélküli” algoritmusnak?
    • 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. Mire használják általában a „könyök módszert”?
    • Az edzés felgyorsítása
    • A jó értékű K kiválasztása
    • A centroidok inicializálása
    • Ismétlődő pontok eltávolítása
  6. Miért tud a K-Means különböző eredményeket adni a különböző futásokon?
    • 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