Respuesta correcta
- AAgrupar puntos de datos similares sin etiquetas predefinidas basándose en patrones naturales
Explicación
El clustering es una técnica de aprendizaje no supervisado que agrupa automáticamente puntos de datos basándose en similitudes o patrones inherentes en los datos, sin requerir ninguna etiqueta preexistente. El algoritmo identifica estructuras naturales, como relaciones de distancia o densidad, para formar clústeres. En Azure Machine Learning, el clustering se implementa comúnmente utilizando algoritmos como K-Means o DBSCAN para tareas como la segmentación de clientes o la detección de anomalías.
Para profundizar
El clustering es una técnica no supervisada que particiona los datos en grupos para que los puntos dentro de un grupo sean más similares entre sí que con los puntos de otros grupos, utilizando una medida de distancia o densidad como la distancia euclidiana o la similitud de coseno. Algoritmos como k-means, DBSCAN y el clustering jerárquico descubren estas estructuras sin etiquetas; el número de clústeres puede ser un hiperparámetro o deducirse de los datos. La evaluación utiliza métricas como el coeficiente de silueta o el índice de Davies-Bouldin en lugar de la precisión. Esto importa en escenarios como la segmentación de clientes, la detección de anomalías o la agrupación de lecturas de sensores, donde no existen etiquetas de verdad fundamental y el objetivo es revelar agrupaciones naturales para la interpretación humana en lugar de predecir una clase conocida.
Sobre estas preguntas de práctica
Esta es una de las preguntas de práctica originales de AI-900 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.
Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.