¿Qué tipo de algoritmo es el agrupamiento jerárquico?, Aprendizaje supervisado, Aprendizaje no supervisado, Aprendizaje por refuerzo, Clasificación supervisada, ¿Cómo se llama la estructura arbórea que produce el agrupamiento jerárquico?, Histograma, Matriz de distancias, Dendrograma, Árbol de decisión, En el agrupamiento aglomerativo, ¿cómo comienza el proceso?, Cada punto de datos es su propio clúster, Todos los puntos forman un único clúster, Se definen k clústeres aleatorios, Se dividen los datos en dos mitades, ¿Qué representa la altura de las ramas en un dendrograma?, El número de puntos en cada clúster, La precisión del modelo, La distancia o disimilitud entre los clústeres fusionados, El número de iteraciones realizadas, ¿Cuál es una ventaja del agrupamiento jerárquico frente a K-Means?, Es más eficiente con grandes volúmenes de datos, No requiere definir el número de clústeres con antelación, Asume clústeres esféricos, Siempre produce clústeres de igual tamaño, ¿Qué criterio de vinculación tiende a producir clústeres compactos y de tamaño uniforme?, Enlace simple (mínimo), Enlace completo (máximo), Enlace promedio, Método de Ward, ¿Qué minimiza el método de Ward durante la fusión de clústeres?, La suma de las diferencias cuadráticas dentro de los clústeres, La distancia máxima entre puntos, El número total de iteraciones, La varianza entre clústeres diferentes, ¿Qué métrica de distancia es más adecuada para datos de texto o vectores de frecuencia de palabras?, Distancia euclidiana, Distancia de Manhattan, Distancia de Minkowski, Similitud del coseno, ¿Cuál es una limitación conocida del agrupamiento jerárquico?, Siempre requiere definir el número de clústeres, No puede manejar formas de clúster complejas, No produce representaciones visuales interpretables, Es computacionalmente costoso y sensible a valores atípicos.

clustering

by
Print
Embed

Leaderboard

Visual style

Options

Switch template

Continue editing: ?