Agar data menjadi terdistribusi normal

Menghindari underflow dalam perhitungan perkalian bilangan kecil. 

Karena likelihood cenderung bernilai negatif

Untuk mengkomodasi asumsi i.i.d (independent & identically distributed)

Nilainya dipengaruhi oleh prior dan likelihood

Berpengaruh pada perbandingan posterior antar kelas

Bersifat konstan untuk semua kelas saat proses klasifikasi

Menentukan class conditional density

Clustering selesai dan tidak ada iterasi lanjutan

Semua centroid dihitung ulang berdasarkan rata-rata data point dalam cluster

Semua centroid diperbarui dengan nilai acak

Semua centroid dipindahkan ke data point yang paling jauh

R-squared

Cross-entropy loss

Silhouette score

Mean Squared Error