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.
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.
- 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
- 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
- Milyen mennyiséget próbál a K-Means minimalizálni?
- A klaszterek száma
- A centroidok közötti távolság
- Klaszteren belüli távolság négyzet (tehetetlenség)
- A funkciók száma
- 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
- Mire használják általában a „könyök módszert”?
- Az edzés felgyorsítása
- A jó értékű K kiválasztása
- A centroidok inicializálása
- Ismétlődő pontok eltávolítása
- 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
- 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
- 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