QCM : Clustering et réduction dimensionnelle — 7 questions

Question 1

1. Quelle affirmation correspond au sujet « Mesures de distance utilisées en clustering » ?

Inter-classe : Séparation Les clusters différents doivent être les plus éloignés possible les uns des autres

Clustering : À retenir ◆ Le clustering regroupe des données sans supervision : les classes ne sont pas connues à l'avance

L'apprentissage non supervisé consiste à découvrir seul la structure cachée dans les données sans étiquettes fournies

Distance Euclidienne : Mesure de distance calculée comme la racine carrée de la somme des carrés des différences entre les coordonnées correspondantes de deux points

Explication

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Distance Euclidienne : Mesure de distance calculée comme la racine carrée de la somme des carrés des différences entre les coordonnées correspondantes de deux points.

Answer

Distance Euclidienne : Mesure de distance calculée comme la racine carrée de la somme des carrés des différences entre les coordonnées correspondantes de deux points

Question 2

2. Qu'est-ce que le clustering en apprentissage non supervisé ?

Une technique qui regroupe des données sans supervision

Une méthode pour étiqueter automatiquement des données

Une procédure pour réduire la dimension des données

Une méthode pour classer des données avec des étiquettes

Explication

Le clustering regroupe des données sans supervision : les classes ne sont pas connues à l'avance.

Answer

Une technique qui regroupe des données sans supervision

Question 3

3. Quelle affirmation correspond au sujet « Principes et applications du clustering en apprentissage non supervisé » ?

Choix de la distance : Décision fondamentale qui influence la qualité du clustering et dépend des caractéristiques spécifiques des données à analyser

Inter-classe : Séparation Les clusters différents doivent être les plus éloignés possible les uns des autres

Distance Euclidienne : Mesure de distance calculée comme la racine carrée de la somme des carrés des différences entre les coordonnées correspondantes de deux points

La distance Manhattan (L1) est la somme des valeurs absolues des différences de coordonnées

Explication

Cette affirmation est directement issue de la partie du cours consacrée à ce sujet : Inter-classe : Séparation Les clusters différents doivent être les plus éloignés possible les uns des autres.

Answer

Inter-classe : Séparation Les clusters différents doivent être les plus éloignés possible les uns des autres

Question 4

4. Qu'est-ce que l'algorithme K-means ?

Un algorithme basé sur la réduction de dimension

Un algorithme qui optimise la classification supervisée

Un algorithme pour la sélection de caractéristiques

Un algorithme de clustering qui alterne assignation et recalcul des centroïdes

Explication

K-means est un algorithme de clustering qui alterne l'assignation des points au cluster le plus proche et le recalcul des centroïdes jusqu'à stabilisation, selon la source.

Answer

Un algorithme de clustering qui alterne assignation et recalcul des centroïdes

Question 5

5. Quelle est la description correcte de la méthode de la Classification Ascendante Hiérarchique (CAH) ?

Elle construit une hiérarchie de clusters en séparant les groupes les plus éloignés.

Elle commence avec un seul cluster et le divise en sous-clusters successifs.

Elle utilise une approche top-down en divisant le dataset en sous-ensembles.

Elle fusionne itérativement les clusters les plus proches jusqu'à n'en avoir qu'un.

Explication

La CAH est une méthode bottom-up qui fusionne itérativement les clusters les plus proches jusqu'à ce qu'il n'en reste qu'un, ce qui correspond à la description choisie.

Answer

Elle fusionne itérativement les clusters les plus proches jusqu'à n'en avoir qu'un.

Question 6

6. Qu'est-ce que le coefficient de silhouette en évaluation du clustering ?

Une mesure de la densité des clusters

Une métrique pour déterminer la distance moyenne entre tous les points

Une valeur qui indique la qualité de l'affectation d'un point à son cluster, allant de -1 à +1

Une méthode pour calculer l'inertie intra-classe

Explication

Le coefficient de silhouette varie de -1 à +1 et indique la qualité de l'affectation d'un point à son cluster, une valeur proche de +1 étant favorable.

Answer

Une valeur qui indique la qualité de l'affectation d'un point à son cluster, allant de -1 à +1

Question 7

7. Dans quel domaine le clustering K-means est-il utilisé pour regrouper les clients selon leurs habitudes d'achat ?

Urbanisme pour le regroupement de communes

Biologie pour l'expression génétique

Sécurité informatique pour la détection d'intrusions

E-commerce pour la segmentation des clients

Explication

Le texte indique que 'En e-commerce, K-means segmente les clients selon leurs habitudes d'achat', ce qui correspond à la réponse 3.

Answer

E-commerce pour la segmentation des clients

QCM : Clustering et réduction dimensionnelle — 7 questions

Questions et réponses du QCM

1. Quelle affirmation correspond au sujet « Mesures de distance utilisées en clustering » ?

2. Qu'est-ce que le clustering en apprentissage non supervisé ?

3. Quelle affirmation correspond au sujet « Principes et applications du clustering en apprentissage non supervisé » ?

4. Qu'est-ce que l'algorithme K-means ?

5. Quelle est la description correcte de la méthode de la Classification Ascendante Hiérarchique (CAH) ?

6. Qu'est-ce que le coefficient de silhouette en évaluation du clustering ?

7. Dans quel domaine le clustering K-means est-il utilisé pour regrouper les clients selon leurs habitudes d'achat ?

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Statistique descriptive fondamentale

Réactions d’oxydo-réduction

Théorème de Thalès

Animer évaluer remédier

Les trois compétences du FPA

Vérification de l’alésomètre

Crée tes propres QCM