Bài kiểm tra phân cụm K-Means

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. Chữ 'K' trong K-Means đề cập đến điều gì?
   • Số cụm bạn chọn trước
   • Số lượng điểm dữ liệu
   • Số lần lặp lại huấn luyện
   • Số lượng đặc điểm trong tập dữ liệu
2. Hai bước lặp lại trong vòng lặp K-Means là gì?
   • Chia cụm, sau đó hợp nhất cụm
   • Gán điểm cho trọng tâm gần nhất, sau đó di chuyển trọng tâm về giá trị trung bình
   • Dán nhãn dữ liệu, sau đó huấn luyện bộ phân loại
   • Sắp xếp dữ liệu, sau đó loại bỏ các ngoại lệ
3. K-Means cố gắng giảm thiểu số lượng nào?
   • Số lượng cụm
   • Khoảng cách giữa các tâm
   • Khoảng cách bình phương trong cụm (quán tính)
   • Số lượng tính năng
4. Tại sao K-Means được gọi là thuật toán 'không giám sát'?
   • 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. 'Phương pháp khuỷu tay' thường được sử dụng để làm gì?
   • Tăng tốc đào tạo
   • Chọn giá trị tốt của K
   • Đang khởi tạo trọng tâm
   • Loại bỏ các điểm trùng lặp
6. Tại sao K-Means có thể cho kết quả khác nhau trong các lần chạy khác nhau?
   • 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