UTPML2 CLUSTERING KMEANS Y JERARQUICO

¿Qué es el objetivo principal del algoritmo K-means?

• Aumentar el número de clusters

• Agrupar datos en clusters solapados

• Minimizar la variación interna de cada grupo

• Maximizar la variación interna de cada grupo

¿Cuál es el primer paso en el proceso del algoritmo K-means?

• Asignar aleatoriamente cada punto a un cluster

• Calcular el centroide de cada cluster

• Reasignar cada punto al centroide más cercano

• Elegir el número de clusters K

¿Qué métrica se utiliza para evaluar la calidad del agrupamiento en K-means?

• Inercia

• Silhouette

• Distancia euclidiana

• Varianza

¿Qué variante de K-means permite detectar automáticamente el número de clusters?

• Mini-Batch K-means

• K-medoids

• K-means clásico

• X-means

En el clustering jerárquico, ¿qué representa un dendrograma?

• El proceso de agrupamiento en forma de árbol

• La variación interna de los grupos

• La distancia entre puntos individuales

• El número de clusters definidos

¿Cuál es la diferencia entre el enfoque aglomerativo y el divisivo en clustering jerárquico?

• No hay diferencia entre ambos enfoques

• El aglomerativo requiere definir el número de grupos y el divisivo no

• El aglomerativo usa distancia euclidiana y el divisivo no

• El aglomerativo agrupa hacia arriba y el divisivo hacia abajo

¿Qué tipo de vínculo en clustering jerárquico utiliza la menor distancia entre puntos de ambos clusters?

• Promedio

• Completo

• Centroide

• Simple

¿Qué se debe hacer si las variables en un análisis de clustering están en diferentes escalas?

• Usar solo una variable

• No es necesario hacer nada

• Usar distancia euclidiana

• Estandarizar las variables

¿Cómo se determina si un punto está bien agrupado en su cluster según la métrica Silhouette?

• Un valor cercano a 2 indica buena agrupación

• Un valor negativo indica buena agrupación

• Un valor cercano a 0 indica buena agrupación

• Un valor cercano a 1 indica buena agrupación

¿Qué significa que K-means mejora en cada iteración?

• Se asignan más puntos a un solo cluster

• Se reduce el número de observaciones

• Se aumenta el número de clusters

• Los grupos se vuelven más coherentes