dim_red + clustering

¿Cuál es el propósito principal del algoritmo PCA?

• Identificar grupos en los datos
• Reducir la dimensionalidad manteniendo la varianza
• Aumentar la dimensionalidad de los datos
• Optimizar el tiempo de entrenamiento de un modelo

¿Qué es un eigenvector en el contexto de transformaciones lineales?

• Un vector que permanece en su dirección original después de una transformación
• Un escalar que representa la magnitud de un vector
• La suma de todos los componentes del vector
• La base de todos los vectores

¿En qué caso usaríamos un algoritmo de clustering espectral?

• Datos con distribuciones no lineales y complejas
• Datos perfectamente lineales
• Datos con pocos puntos y lineales
• Solo para datos de texto

¿Qué es el valor propio (eigenvalue) asociado a un eigenvector?

• Un componente asociado a diferentes vectores, no sólo a eigenvectors
• La distancia entre puntos en el espacio transformado
• El factor por el cual el eigenvector es escalado
• Un componente arbitrario

¿Qué representa cada componente principal en PCA?

• Un clúster en el conjunto de datos
• Un vector perpendicular a la correlación de los datos
• Un eje de máxima varianza de los datos
• Un centroide de clúster

¿Qué método de reducción de dimensionalidad es útil cuando los datos tienen estructuras no lineales?

• PCA
• SVM
• Manifold Learning
• K-means

¿Cuál es la función principal de ICA?

• Dividir los datos en grupos o clusters
• Maximizar la independencia de las componentes
• Identificar la varianza en los datos
• Calcular los valores propios

¿Cuál es un parámetro clave que se ajusta en el algoritmo K-means?

• Número de muestras
• Número de características
• Número de clústeres (K)
• Número de iteraciones

¿Cómo elige K-means el centro inicial de cada clúster?

• Aleatoriamente entre los puntos de datos
• Al centroide del conjunto de datos
• En los valores mínimos de cada característica
• En los valores máximos de cada característica

¿Cuál es el objetivo de un algoritmo de clustering gaussiano?

• Dividir los datos en componentes lineales
• Modelar datos en distribuciones gaussianas
• Maximizar la varianza de los datos
• Reducir la dimensionalidad