3. O k-means é um algoritmo de aprendizado não supervisionado utilizado para encontrar agrupamentos em um dataset. Sobre o algoritmo k-means, considere as afirmações a seguir:
I. O algoritmo k-means busca maximizar a similaridade intragrupos e minimizar a intergrupos. II. O número de clusters é definido automaticamente. III. É um algoritmo de partição.
Explicação: I. O k-means busca maximizar a similaridade intragrupos (minimizando a variância dentro dos clusters) e minimizar a intergrupos (a distância entre os clusters). III. O k-means é um algoritmo de partição que atribui cada ponto de dados a um cluster, procurando otimizar a função objetivo que leva em consideração a similaridade dos pontos dentro do mesmo cluster e a dissimilaridade entre os clusters.
A afirmação II está incorreta, uma vez que o número de clusters (o valor de "k") geralmente precisa ser definido antecipadamente pelo usuário.
I. O k-means busca maximizar a similaridade intragrupos (minimizando a variância dentro dos clusters) e minimizar a intergrupos (a distância entre os clusters).
III. O k-means é um algoritmo de partição que atribui cada ponto de dados a um cluster, procurando otimizar a função objetivo que leva em consideração a similaridade dos pontos dentro do mesmo cluster e a dissimilaridade entre os clusters.
A afirmação II está incorreta, uma vez que o número de clusters (o valor de "k") geralmente precisa ser definido antecipadamente pelo usuário.
Lista de comentários
C. Apenas I e III.
Explicação:
I. O k-means busca maximizar a similaridade intragrupos (minimizando a variância dentro dos clusters) e minimizar a intergrupos (a distância entre os clusters).
III. O k-means é um algoritmo de partição que atribui cada ponto de dados a um cluster, procurando otimizar a função objetivo que leva em consideração a similaridade dos pontos dentro do mesmo cluster e a dissimilaridade entre os clusters.
A afirmação II está incorreta, uma vez que o número de clusters (o valor de "k") geralmente precisa ser definido antecipadamente pelo usuário.
Resposta:
Apenas I e III.
Explicação:
I. O k-means busca maximizar a similaridade intragrupos (minimizando a variância dentro dos clusters) e minimizar a intergrupos (a distância entre os clusters).
III. O k-means é um algoritmo de partição que atribui cada ponto de dados a um cluster, procurando otimizar a função objetivo que leva em consideração a similaridade dos pontos dentro do mesmo cluster e a dissimilaridade entre os clusters.
A afirmação II está incorreta, uma vez que o número de clusters (o valor de "k") geralmente precisa ser definido antecipadamente pelo usuário.
Explicação: