Gids-gekoppelde quiz · Middelmatig Niveau
K-Means Clusteringquiz
Oefen K-Means-toewijzingen, zwaartepuntupdates, traagheid, initialisatie en clustervormlimieten met concrete groeperingsvoorbeelden.
Vraag 1 van 8
Waarnaar verwijst de 'K' in K-Means?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Waarnaar verwijst de 'K' in K-Means?
- Het aantal clusters kiest u vooraf
- Het aantal gegevenspunten
- Het aantal trainingsiteraties
- Het aantal functies in de gegevensset
- Wat zijn de twee herhalende stappen in de K-Means-lus?
- Clusters splitsen en vervolgens clusters samenvoegen
- Wijs punten toe aan het dichtstbijzijnde zwaartepunt en verplaats vervolgens de zwaartepunten naar het gemiddelde
- Label gegevens en train vervolgens een classificator
- Sorteer de gegevens en verwijder vervolgens uitschieters
- Welke hoeveelheid probeert K-Means te minimaliseren?
- Het aantal clusters
- De afstand tussen zwaartepunten
- Afstand binnen het cluster in het kwadraat (traagheid)
- Het aantal functies
- Waarom wordt K-Means een ‘unsupervised’ algoritme genoemd?
- 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
- Waar wordt de 'elleboogmethode' vaak voor gebruikt?
- Het versnellen van de training
- Het kiezen van een goede waarde van K
- Initialiseren van zwaartepunten
- Dubbele punten verwijderen
- Waarom kunnen K-Means verschillende resultaten geven bij verschillende runs?
- 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