Вікторина, пов’язана з посібником · Середній Рівень

Тест кластеризації K-Means

Практикуйте призначення K-Means, оновлення центроїда, інерцію, ініціалізацію та обмеження форми кластера на конкретних прикладах групування.

Пов'язані напрямні шляхиK означає кластеризацію
Питання 1 з 8

Що означає «K» у K-Means?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Що означає «K» у K-Means?
    • Кількість кластерів ви обираєте заздалегідь
    • Кількість точок даних
    • Кількість ітерацій навчання
    • Кількість функцій у наборі даних
  2. Які два повторювані кроки в циклі K-Means?
    • Розділіть кластери, а потім об’єднайте кластери
    • Призначте точки найближчому центроїду, а потім перемістіть центроїди до середнього
    • Позначте дані, а потім навчіть класифікатор
    • Відсортуйте дані, а потім видаліть викиди
  3. Яку кількість K-Means намагається мінімізувати?
    • Кількість кластерів
    • Відстань між центроїдами
    • Квадрат відстані всередині кластера (інерція)
    • Кількість функцій
  4. Чому K-Means називають «неконтрольованим» алгоритмом?
    • 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. Для чого зазвичай використовується «метод ліктя»?
    • Прискорення навчання
    • Вибір хорошого значення K
    • Ініціалізація центроїдів
    • Видалення повторюваних точок
  6. Чому K-Means може давати різні результати під час різних циклів?
    • 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