ML Lecture 7 Quiz

Նշվածներից որո՞նք են DBSCAN ալգորիթմի առավելությունները

• Կարող է ստանալ ցանկացած չափի և ձևի կլաստերներ

• Չունի հիպերպարամետրեր

• Չի պահանջում նախապես նշել կլաստերների քանակը

• Առանձնացնում է outlier կետերը

Ճի՞շտ է արդյոք հետևյալ պնդումը․
«DBSCAN-ը կարող է հեշտությամբ խմբավորել տարբեր խտություններով տվյալների բազմություններ»

• ԱՅՈ

• ՈՉ

Ո՞րն է ճիշտ հետևյալ agglomerative hierarchical clustering-ի վերաբերյալ

• Վերջին միացումը միացնում է (7, 8 12) կլաստերը մնացածի հետ

• 2֊ին ամենանման կետը 3֊ն է

• 9֊ը և 10-ը ամենանման կետերն են

• Նշվածներից ոչ մեկը

K-means կլաստերինգը․․․

• Կարող է օգտագործվել ոչ֊թվային տվյալների հետ

• Զուգամիտում է գլոբալ մինիմումի

• Զուգամիտում է լոկալ մինիմումի

• Չի պահանջում նախապես նշել կլաստերների քանակը

Ինչպիսի՞ խնդիր կարող է առաջանալ, եթե կլաստերինգի ընթացքում օգտագործենք անհամապատասխան հեռավորության մետրիկա։

• Կլաստերինգը չի աշխատի

• Կստանանք սխալ կլաստերներ

• Կլաստերները չեն ներկայացնի տվյալների մեջ առկա իրական նմանությունները

• բոլորն էլ հնարավոր են

K-Means ալգորիթմի աշխատանքի արդյունքում ստացել ենք հետևյալ դենդրոգրամը: Ո՞ր պնդումն է ճիշտ

• Ունենք 6 տվյալ

• K-ի լավագույն արժեքը 2֊ն է

• 2 և 5 կետերը ամենամոտն են

• K-Means ալգորիթմը չի կարող ներկայացվել դենդրոգրամով

Նշվածներից ո՞ր պայմանով է հնարավոր դադարեցնել K-Means ալգորիթմի զուգամիտումը

• սահմանափակել օպտիմիզացիայի քայլերի քանակը

• դադարեցնել, եթե կլաստերների ներսում հեռավորությունների գումարի գումարը (RSS) փոքր է ինչ֊որ շեմից

• Եթե ցենտրոիդները չեն փոխվել մի քանի քայլերի արդյունքում

• Բոլորն էլ ճիշտ են

Ինչի՞ համար կարող է կիրառվել կլաստերինգը

• Հիպոթեզների գեներացման

• Մեծ չախողականության տվյալների մեջ նմանություններ գտնելու

• Մեզ զանգվածով տվյալների կոմպրեսսացման

• Բոլորն էլ ճիշտ են

Fuzzy Clustering-ի ժամանակ

• Տվյալները պատկանում են ինչ֊որ կլաստերի որոշ կշռով

• Կիրառվում են ոչ թվային տվյալներ

• Չկան հիպերպարամետրեր

• առանձնացվում են outlier-ները

Ճի՞շտ է արդյոք հետևյալ պնդումը․
«Դենդոգրամի ճյուղի բարձրությունը ցույց է տալիս կատարված կլաստերինգի հանդեպ վստահությունը»

• ԱՅՈ

• ՈՉ