AI分群觀念

參考圖示一個不是分群你所參考題因素？

• 個數

• 時間

• 距離

• 鄰居的顏色

以下哪句話與「物與類聚 人有群分」的意思相駁(不相同)

• 近朱者赤，近墨者黑

• 花若盛開，蝴蝶自來

• 人若精彩，天自安排

• 信者恆信 不信者恆不信

K-近鄰演算法(K-Nearest Neighbors)的過程是如下：

1.找到距離最近的K個鄰居

2.進行投票

3.決定類別

試問哪一個排列順序是正常程序？

• 1->2->3

• 3->2->1

• 2->1->3

• 2->3->1

參考圖示請問：

X軸是

• 身高

• 體重

• 座號

• 姓名

參考圖示請問：

Y軸是

• 身高

• 體重

• 座號

• 姓名

參考圖示，如果將圈選範圍變小，哪一個點最有可能會另外獨立出一群？請問它另外被圈選出來的原因，以下哪一個「不」是？

• D與E的距離較「遠」

• A與B的距離較「近」

• C與D的距離較「近」

• A的身高較高

參考附圖以下敘述何者有誤？

• x軸為身高或是體重不會影響分群

• 當分群的條件越嚴格(範圍小)時會得到數量較多的群

• 當分群的條件越鬆散時(範圍大)會得到數量較少的群

• 節點間的「距離」不會影響分群

參考附圖以下敘述何者有誤？

• 票數(節點數)「不」會影響組內再分群

• 當分群的條件越嚴格(範圍小)時會得到數量較多的群

• 當分群的條件越鬆散時(範圍大)會得到數量較少的群

• 分群的影響因素是節點間的距離

關於K近鄰演算法，以下敘述何者有誤?

• 即K-Nearest Neighbor algorithm，簡稱KNN演算法

• 單從名字來猜想，可以簡單粗暴的認為是：K個最近的鄰居，當K=1時，演算法便成了最近鄰演算法，即尋找最近的那個鄰居。

• KNN的分群計算方式只有兩種分別是：曼哈頓距離與歐氏距離

• KNN算法的三要素： 距離度量、k值的選擇和分類決策規則

以崇明國中的校園地圖來看，以上哪點敘述不正確？

• A是校門口、C是員工餐廳

• B是前川堂、D是後川堂

• A與B的距離較長故較遠

• A與B的距離較短故較近