Kuis Pengelompokan K-Means

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

1. Apa yang dimaksud dengan 'K' di K-Means?
   • Jumlah cluster yang Anda pilih sebelumnya
   • Jumlah titik data
   • Jumlah iterasi pelatihan
   • Jumlah fitur dalam kumpulan data
2. Apa dua langkah berulang dalam loop K-Means?
   • Pisahkan cluster, lalu gabungkan cluster
   • Tetapkan titik ke pusat massa terdekat, lalu pindahkan titik pusat ke mean
   • Beri label pada data, lalu latih pengklasifikasi
   • Urutkan data, lalu hapus outlier
3. Berapa kuantitas yang coba diminimalkan oleh K-Means?
   • Jumlah cluster
   • Jarak antar centroid
   • Jarak kuadrat dalam cluster (inersia)
   • Jumlah fitur
4. Mengapa K-Means disebut sebagai algoritma 'tanpa pengawasan'?
   • 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. Untuk apa 'metode siku' biasa digunakan?
   • Mempercepat pelatihan
   • Memilih nilai K yang baik
   • Inisialisasi centroid
   • Menghapus titik duplikat
6. Mengapa K-Means dapat memberikan hasil yang berbeda pada proses yang berbeda?
   • 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