Crowdly
Add to Chrome
TI508M - Introduction to Machine Learning
Looking for TI508M - Introduction to Machine Learning test answers and solutions? Browse our comprehensive collection of verified answers for TI508M - Introduction to Machine Learning at efreussite.fr.
Get instant access to accurate answers and detailed explanations for your course questions. Our community-driven platform helps students succeed!
Quelle méthode est généralement considérée comme la meilleure pratique pour choisir le nombre optimal de voisins (k) ?
Quelles autres méthodes peut-on utiliser pour estimer le bon nombre de clusters dans les données ?
En utilisant le graphique suivant résultant de l’application de la méthode du coude au jeu de données ci-dessus, quel est le nombre de clusters optimal pour appliquer l’algorithme Kmeans?
Pourquoi est-il parfois difficile de choisir la valeur de K dans l'algorithme K-means?
Comment l'algorithme K-means détermine-t-il la convergence?
On se propose d’utiliser la méthode du coude pour estimer le bon nombre de clusters dans les données. Que représente alors la courbe tracée ?
Quel(s) facteur(s) peut déterminer la composition des clusters à la convergence de l’algorithme Kmeans ?
Quel est la partition résultant de la 1ère itération de l'algorithme Kmeans, en utilisant la distance de Manhattan et en choisissant comme centroides les clients 1 et 2.
Choisir un nombre de clusters trop élevé pour un modèle K-means peut entraîner :
Pourquoi est-il important de déterminer le nombre optimal de clusters avant d'exécuter K-means ?