Quiz dotyczący klastrów DBSCAN

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

1. Co zgodnie z konwencją scikit-learn kwalifikuje dany punkt jako punkt centralny?
   • Jego sąsiedztwo epsilon zawiera co najmniej min_samples, w tym siebie
   • Jest to punkt położony najbliżej środka ciężkości
   • Nie ma sąsiadów w obrębie epsilon
   • Leży poza każdym gęstym regionem
2. Jak punkt graniczny może należeć do klastra, nie będąc rdzeniem?
   • Ma więcej sąsiadów niż każdy punkt centralny
   • Można do niego dotrzeć z głównego punktu, ale brakuje mu wystarczającej liczby sąsiadów
   • Jest przypisany do najbliższej centroidy
   • Ma zerową odległość do każdej próbki
3. Co oznacza etykieta szumu DBSCAN?
   • Punkt nie może należeć do klastra w żadnych ustawieniach
   • Zapis na pewno jest błędny
   • Punkt nie został przypisany w ramach wybranej metryki i parametrów
   • Prawdopodobieństwo przewidywania wynosi zero
4. Co może się stać, gdy epsilon zostanie ustawiony na zbyt duży?
   • Zbyt duży promień może podzielić jeden połączony gęsty obszar na osobne grupy
   • Zwiększenie promienia może sprawić, że punkty poprzednio rdzeniowe staną się nierdzeniowe
   • Epsilon nie wpływa już na to, które obserwacje są sąsiadami
   • Pobliskie gęste grupy mogą się łączyć
5. Dlaczego niespójne jednostki funkcji mogą zniekształcać wyniki DBSCAN?
   • Zmieniają liczbę sąsiadów wymaganych, aby punkt był rdzeniem
   • Obiekt wielkoskalowy może zdominować obliczenia odległości
   • Uniezależniają epsilon od jednostek miary
   • Mają one wpływ na etykiety klastrów dopiero po ustaleniu grafu sąsiedztwa
6. Znaleziono klaster zwarty, podczas gdy grupa rozproszona staje się szumem poniżej jednego epsilon. Jakie ograniczenie jest pokazane?
   • Punkty podstawowe nie mogą się łączyć
   • DBSCAN wymaga określonej liczby klastrów
   • Jeden próg gęstości globalnej może nie odpowiadać klastrom o różnej gęstości
   • Dane nie mają już wpływu na dzielnice
7. Czym różni się DBSCAN od k-średnich pod względem liczby klastrów?
   • Obydwa wymagają wyliczenia znanego z etykiet
   • DBSCAN zawsze tworzy dokładnie dwa klastry
   • K-średnie wybiera obszary o dowolnym kształcie bez centroidów
   • DBSCAN nie wymaga podania liczby klastrów jako danych wejściowych
8. Dlaczego przydzielanie przyszłych punktów do klastrów DBSCAN nie jest automatyczne w podstawowej procedurze?
   • Metoda grupuje dopasowaną próbkę i nie ma w swojej podstawowej formie żadnej nieodłącznej reguły nowego punktu
   • Nowe punkty są z definicji przypisywane do najbliższego środka ciężkości skupienia
   • Etykieta szumu to skalibrowane prawdopodobieństwo, że punkt jest wartością odstającą
   • Każdy nowy punkt jest przypisany do najczęściej występującego klastra