引导式测验 · 中等 等级

K 均值聚类测验

通过具体的分组示例练习 K 均值分配、质心更新、惯性、初始化和簇形状限制。

相关引导路径K 均值聚类
问题 1 的 8

K-Means 中的“K”指的是什么？

预览每个问题8 问题

当您参加测验时，就会出现答案和解释。

  1. K-Means 中的“K”指的是什么？
    • 您预先选择的簇数
    • 数据点的数量
    • 训练迭代次数
    • 数据集中的特征数量
  2. K-Means 循环中的两个重复步骤是什么？
    • 拆分集群，然后合并集群
    • 将点分配给最近的质心，然后将质心移动到平均值
    • 标记数据，然后训练分类器
    • 对数据进行排序，然后删除异常值
  3. K-Means 尝试最小化多少数量？
    • 簇数
    • 质心之间的距离
    • 簇内平方距离（惯性）
    • 特征数量
  4. 为什么 K-Means 被称为“无监督”算法？
    • 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. “肘法”常用来做什么？
    • 加快训练速度
    • 选择一个好的K值
    • 初始化质心
    • 删除重复点
  6. 为什么 K-Means 在不同的运行中会给出不同的结果？
    • 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. 一个 K-Means 聚类包含一维值 2、4 和 9。在更新步骤中，它的质心会移动到哪里？
    • 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