引导式测验 · 简单等级

无监督学习测验

探索聚类、特征尺度、降维、稳定性检查，以及异常分数如何在不证明原因的情况下支持调查。

数据集没有标签，但团队希望对相似的记录进行分组。哪一系列方法适合该目标？

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。

数据集没有标签，但团队希望对相似的记录进行分组。哪一系列方法适合该目标？
- 无监督学习
- 监督分类
- 目标编码
- 回归
两条客户记录的差异在于一次访问和 1,000 美元的支出。原始欧氏距离有什么作用？
- 自动平等对待功能
- 由于功能规模不同，因此受到支出差异的支配
- 证明记录属于不同的真实类别
- 无需检查功能
二维投影显示两个分离的云。分析师应该记住什么限制？
- 图中的每个距离都准确地保留了所有原始距离
- 投影证明这些组是真实的类别
- 投影丢弃了信息，因此明显的差距并不是原始数据不容置疑的事实
- 可视化消除了检查原始尺寸的需要
合理的预处理选择后，聚类结果会发生变化。团队应该做什么？
- 将预处理视为无关紧要
- 将第一个结果命名为发现的真相
- 选择看起来最分离的图
- 检查稳定性并检查代表性和边界记录
集群是根据购买频率而不是产品偏好构建的。接下来是什么？
- 簇名称由算法固定
- 相似性规则和特征会影响出现的分组
- 两次分析必须返回相同的段
- 购买频率证明客户意图
内部聚类得分较高。这说明了什么？
- 集群在所有设置下都保持稳定
- 该群体是一个真正的人类类别
- 低于该分数的数学属性，并非自动用于真正目的
- 异常是有害的
异常检测器标记异常交易。警报可以支持什么？
- 调查，但不是不当行为的证据
- 自动发现欺诈
- 帐户所有者的诊断
- 不寻常价值的一个有保证的原因
团队会扩展功能并看到不同的邻居。为什么缩放相关？
- 使高维数据无损
- 它提供目标标签
- 事实证明这是一个更好的分类系统
- 它改变了特征差异对相似性的贡献方式