37. 關於 k 平均數（k-means）集群分析，下列敘述何者正確？
(A) 適合解決非球形或數據密度變化大的集群問題
(B) 演算法算法只要收斂，保證可以獲得最佳的集群結果
(C) 事前不需要估算資料中有多少集群存在，即能執行算法
(D) 不如其它集群演算法精細縝密，但在許多真實的情境下，能將集群的任務處理得足夠好

答案：登入後查看
統計： A(0), B(0), C(1), D(10), E(0) #3219421

詳解 (共 1 筆)

#6332793

解析各選項，找出 k-means 集群分析的正確敘述

k-means（k-均值聚類） 是一種常見的非監督式學習方法，用於將數據點分配到 kkk 個群集（Clusters）中。該演算法透過最小化類內平方誤差（Within-Cluster Sum of Squares, WCSS） 來分群，並基於歐幾里得距離（Euclidean Distance） 來計算數據點與聚類中心的距離。

然而，k-means 也有其限制：

  • 只能識別「球形（spherical）」的群集。
  • 對於不均勻密度（uneven density）或非球形（non-spherical）分佈的群集表現較差。
  • 必須事先指定 kkk 值（群集數目）。

選項分析

(A) 適合解決非球形或數據密度變化大的集群問題

❌ 錯誤

  • k-means 只適用於球形（spherical）群集，不適合非球形（non-spherical）分佈的數據：
    • 例如，若數據呈長條形（如月牙狀）或密度不同的群集，k-means 會有誤判問題。
    • 密度變化較大的數據（如 DBSCAN 可處理的數據）對 k-means 來說會有誤分類的風險。
  • 適合解決非球形或密度變化大的演算法：
    • DBSCAN（Density-Based Spatial Clustering of Applications with Noise）
    • Mean-Shift
    • 階層式聚類（Hierarchical Clustering）
  • 因此，k-means 並不適用於這類問題，選項錯誤。

(B) 演算法只要收斂，保證可以獲得最佳的集群結果

❌ 錯誤

  • k-means 是基於隨機初始化的迭代優化演算法，可能會收斂到局部最小值（local minimum）：
    • 初始中心點的選擇會影響結果，若起始點選擇不佳，可能會導致次優結果。
    • 常見的改進方法：k-means++ 初始化（確保初始中心點選擇更具代表性）。
  • 即使 k-means 收斂，它也不保證找到全域最佳解（Global Optimum），因此此選項錯誤。

(C) 事前不需要估算資料中有多少集群存在，即能執行算法

❌ 錯誤

  • k-means 需要事先指定 kkk（群集數目），否則無法執行：
    • 無法自動決定適合的群集數目。
    • 需要使用肘部法則（Elbow Method） 或 輪廓係數（Silhouette Score） 來估算最適 kkk 值。
  • 相比之下，DBSCAN、Mean-Shift 等方法可以在不指定群集數的情況下自動發現適當的群集。
  • 此選項錯誤，因為 k-means 無法自動決定群集數。

(D) 不如其它集群演算法精細縝密，但在許多真實的情境下，能將集群的任務處理得足夠好

✅ 正確（本題答案）

  • k-means 是一種簡單且計算成本較低的聚類方法，雖然不如其他方法精確，但在許多應用場景中表現良好。
  • 優勢：
    • 計算速度快（線性時間複雜度 O(nk)O(nk)O(nk)）。
    • 適用於大規模數據集（Big Data）。
    • 在數據分佈適當時（例如接近球形群集），效果良好。
  • 缺點：
    • 需要事先指定 kkk 值。
    • 易受初始條件影響，可能陷入局部最小值。
    • 無法處理密度變化較大的群集。
  • 在許多實務應用（如客戶分類、市場分析）中，k-means 仍然是實用的聚類方法，因此此選項正確。

結論

✅ 正確選項（答案）：

  • (D) 不如其它集群演算法精細縝密，但在許多真實的情境下，能將集群的任務處理得足夠好

❌ 錯誤選項：

  • (A) k-means 不適合非球形或密度變化大的群集
  • (B) k-means 可能陷入局部最小值，無法保證最佳結果
  • (C) k-means 需要事先指定群集數 kkk，無法自動決定群集數

? 本題正確答案：「(D)」

0
0