Mentoria 6 - ML

¿Cuál de las siguientes afirmaciones describe mejor cómo funciona K-Means?

• Asigna cada punto al clúster más cercano según la distancia euclidiana

• Agrupa los datos según su densidad local

• Calcula la similitud de cada punto con todos los demás puntos

• Utiliza distancias de Manhattan para agrupar datos

¿Qué desventaja principal tiene K-Means?

• No puede agrupar datos con ruido.

• Requiere que los datos sean lineales.

• No funciona bien con clústeres no esféricos o de distinto tamaño.

• No permite determinar el número de clústeres.

¿Qué mejora introduce K-Means++ respecto a K-Means tradicional?

• Usa una métrica diferente a la distancia euclidiana.

• Elige los centroides iniciales de forma más inteligente para evitar malas convergencias.

• Elimina la necesidad de definir K.

• Permite detectar ruido y outliers.

En K-Medoids, ¿qué elemento representa el “centro” del clúster?

• El promedio de los puntos del clúster.

• Un punto real del conjunto de datos.

• El punto más lejano del clúster.

• El punto calculado aleatoriamente.

¿Por qué K-Medoids puede ser más robusto que K-Means?

• Porque usa el promedio, no el medoid.

• Porque no depende de la distancia euclidiana.

• Porque es menos sensible a los outliers.

• Porque elige los centroides al azar.

¿Qué caracteriza al clustering jerárquico aglomerativo?

• Empieza con todos los puntos en un solo clúster y los divide recursivamente.

• Empieza con cada punto como un clúster y los une paso a paso.

• Utiliza densidad para definir los grupos.

• Depende de centroides iniciales.

En el clustering jerárquico divisivo ocurre lo contrario al aglomerativo, porque:

• Comienza con un solo clúster y se divide en subgrupos.

• Comienza con un solo clúster y se divide en subgrupos

• Elimina los outliers al inicio.

• Calcula la densidad antes de unir.

¿Cuál es el principio base del algoritmo DBSCAN?

• Agrupar los puntos más cercanos a un centroide promedio.

• Formar clústeres a partir de regiones de alta densidad separadas por zonas de baja densidad.

• Dividir los datos en jerarquías de similitud.

• Elegir centroides aleatorios para cada grupo.

Si tienes datos con forma de dos anillos concéntricos, ¿por qué DBSCAN puede detectarlos correctamente mientras que K-Means no?

• Porque DBSCAN usa la distancia de Manhattan.

• Porque DBSCAN agrupa por densidad y no necesita centroides.

• Porque DBSCAN usa centroides adaptativos.

• Porque DBSCAN ignora la distancia entre puntos.