Выбор ответа Middle Кластеризация и снижение размерности обновлено
Особенность DBSCAN
Вопрос
Что отличает DBSCAN от k-means?
Попробуйте сами
Выберите вариант, и откроется разбор.
Показать ответ и разбор
Коротко
Правильный ответ: Не требует числа кластеров, находит кластеры любой формы и помечает выбросы как шум. DBSCAN объединяет точки, у которых в радиусе eps не меньше minsamples соседей, и расширяет кластеры по связности.
Варианты ответа
- Находит ровно k сферических кластеров, но центры выбирает только среди реальных точек
- Не требует числа кластеров, находит кластеры любой формы и помечает выбросы как шумправильный ответ
- Работает только в двумерном пространстве, поэтому перед ним данные проецируют через PCA
- Не зависит от параметров: радиус и плотность он подбирает сам по графику k-расстояний
Разбор
DBSCAN объединяет точки, у которых в радиусе eps не меньше min_samples соседей, и расширяет кластеры по связности. Точки вне плотных областей становятся шумом. Слабые места: один eps на все кластеры (плохо при разной плотности, это решает HDBSCAN) и высокая размерность.
- Число кластеров DBSCAN определяет сам.
- Размерность не ограничена, хотя в высокой работает хуже.
- Параметры eps и min_samples задаёт пользователь (график k-расстояний лишь помогает), и они сильно влияют.
Ответьте сами, а не прочитайте
В тренажёре вопрос попадёт в повторения и вернётся, когда начнёт забываться. Плюс билеты с зачётом: 20 вопросов, не больше 2 ошибок.
Термины по теме
Ещё по теме «Кластеризация и снижение размерности»
- Isolation Forest
- Как выбрать число кластеров
- k-means на списках
- Один шаг k-means
- Гауссова смесь (GMM)
- Иерархическая кластеризация
- Где k-means ошибается
- Как работает k-means