DiploTEyMD25-4

Cuando la distancia es un número cercano a cero, ¿quiere decir?

• Las instancias comparadas son iguales

• Las instancias comparadas son muy parecidas

• Las instancias comparadas son diferentes

• Las instancias no se pueden comparar

¿Clustering nos genera soluciones únicas?

• Si

• No

• A veces

Es un enfoque típico para agrupar datos

• Distancia entre puntos

• Promedios móviles

• Regresión lineal

• Outliers

Para aprendizaje no supervisado, es un punto central

• Promedio

• Centroide

• Distancia

• Clustering

En clustering se busca

• Minimizar la dispersión intragrupos e intergrupos

• Minimizar la dispersión intergrupos y maximizar intragrupos

• Minimizar la dispersión intragrupos y maximizar intergrupos

• Maximizar la dispersión intragrupos e intergrupos

La medida de distancia más utilizada es

• Máxima

• Euclidiana

• Mahalanobis

• Manhattan

Para atributos categóricos la distancia se considera

• 1 para la categoría con mayores números, 0 en otro caso

• 0 si son iguales, 1 si son diferentes

• 1 si son iguales, 0 si son diferentes

• 0 para el promedio de las categorías, 1 en otro caso

Normalizar datos se refiere a

• Poner en 3FN

• Ajustar los datos a una curva normal

• Definir un rango de valores

• Pasar los datos a una escala estándar

No es un algoritmo común para aprendizaje automático

• Árboles de Decisión

• Clustering

• Estadística descriptiva

• Regresión lineal

Aprendizaje NO supervisado es cuando conozco los valores a predecir

• No

• Si

• A veces