Crowdly
Додати до Chrome
TI508M - Introduction to Machine Learning
Шукаєте відповіді та рішення тестів для TI508M - Introduction to Machine Learning? Перегляньте нашу велику колекцію перевірених відповідей для TI508M - Introduction to Machine Learning в efreussite.fr.
Отримайте миттєвий доступ до точних відповідей та детальних пояснень для питань вашого курсу. Наша платформа, створена спільнотою, допомагає студентам досягати успіху!
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 ?