Quiz collegato alla guida · Medio Livello
Quiz sul clustering delle medie K
Esercitati con le assegnazioni delle medie K, gli aggiornamenti dei centroidi, l'inerzia, l'inizializzazione e i limiti della forma dei cluster con esempi concreti di raggruppamento.
Domanda 1 di 8
A cosa si riferisce la "K" in K-Means?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- A cosa si riferisce la "K" in K-Means?
- Il numero di cluster che scegli in anticipo
- Il numero di punti dati
- Il numero di iterazioni di formazione
- Il numero di funzionalità nel set di dati
- Quali sono i due passaggi ripetitivi nel ciclo K-Means?
- Dividi i cluster, quindi unisci i cluster
- Assegnare i punti al centroide più vicino, quindi spostare i centroidi sulla media
- Etichetta i dati, quindi addestra un classificatore
- Ordinare i dati, quindi rimuovere i valori anomali
- Quale quantità K-Means cerca di minimizzare?
- Il numero di cluster
- La distanza tra i centroidi
- Distanza quadrata all'interno del cluster (inerzia)
- Il numero di funzionalità
- Perché K-Means è chiamato algoritmo "non supervisionato"?
- 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
- A cosa serve comunemente il "metodo del gomito"?
- Accelerare la formazione
- Scegliere un buon valore di K
- Inizializzazione dei centroidi
- Rimozione di punti duplicati
- Perché le medie K possono fornire risultati diversi su esecuzioni diverse?
- 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