Clustering

¿Cuál es el objetivo principal del algoritmo K-Means?

• Maximizar la distancia entre centroides

• Minimizar la varianza intra-cluster

• Aumentar el número de clústeres

• Reducir la dimensionalidad

¿Qué representa un centroide en K-Means?

• Un punto aleatorio

• El punto con mayor densidad

• El punto más alejado del clúster

• El promedio de los puntos del clúster

¿Cuál de los siguientes algoritmos NO requiere que se especifique el número de clústeres previamente?

• K-Means

• GMM

• Mean Shift

• Spectral Clustering

¿Qué parámetro es crucial para el rendimiento de Mean Shift?

• Ancho de banda (bandwidth)

• Número de iteraciones

• Número de clústeres

• Tasa de aprendizaje

¿Qué técnica subyace en el algoritmo Mean Shift?

• PCA

• Regresión logística

• Árboles de decisión

• Kernel Density Estimation (KDE)

¿Qué define un punto "core" en DBSCAN?

• Un punto alejado de los clústeres

• Un punto con muchos vecinos

• Un centroide

• Un punto con distancia mínima

¿Qué tipo de formas puede detectar DBSCAN que K-Means no puede?

• Circulares

• Lineales

• Arbitrarias

• Cuadradas

¿Cuál es una gran ventaja de DBSCAN?

• Usa autovalores para reducir dimensión

• Permite trabajar sin distancia

• Funciona mejor con datos lineales

• No necesita número de clústeres predefinido

¿Qué ocurre con los puntos que no son ni core ni frontera en DBSCAN?

• Se consideran ruido

• Se eliminan

• Se reasignan al clúster más cercano

• Se convierten en centroides

¿Qué representa cada componente en un GMM?

• Un punto aleatorio

• Una distribución gaussiana

• Un único valor

• Una línea de regresión