Questionário vinculado ao guia · Médio Nível

Questionário de agrupamento K-Means

Pratique atribuições de K-Means, atualizações de centróides, inércia, inicialização e limites de formato de cluster com exemplos concretos de agrupamento.

Caminhos de guia relacionadosK significa agrupamento
Pergunta 1 de 8

A que se refere o 'K' em K-Means?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. A que se refere o 'K' em K-Means?
    • O número de clusters que você escolhe antecipadamente
    • O número de pontos de dados
    • O número de iterações de treinamento
    • O número de recursos no conjunto de dados
  2. Quais são as duas etapas repetidas no loop K-Means?
    • Dividir clusters e depois mesclar clusters
    • Atribua pontos ao centróide mais próximo e, em seguida, mova os centróides para a média
    • Rotule os dados e treine um classificador
    • Classifique os dados e remova os valores discrepantes
  3. Que quantidade o K-Means tenta minimizar?
    • O número de clusters
    • A distância entre centróides
    • Distância quadrada dentro do cluster (inércia)
    • O número de recursos
  4. Por que o K-Means é chamado de algoritmo ‘não supervisionado’?
    • 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. Para que é comumente usado o 'método do cotovelo'?
    • Acelerando o treinamento
    • Escolhendo um bom valor de K
    • Inicializando centróides
    • Removendo pontos duplicados
  6. Por que o K-Means pode fornecer resultados diferentes em execuções diferentes?
    • 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