Gids-gekoppelde quiz · Middelmatig Niveau

K-Means Clusteringquiz

Oefen K-Means-toewijzingen, zwaartepuntupdates, traagheid, initialisatie en clustervormlimieten met concrete groeperingsvoorbeelden.

Gerelateerde gidspadenK betekent clustering
Vraag 1 van 8

Waarnaar verwijst de 'K' in K-Means?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. 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
  2. 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
  3. 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
  4. 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
  5. 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
  6. 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
  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