Bonne réponse
- ARegrouper des points de données similaires sans étiquettes prédéfinies sur la base de motifs naturels
Explication
Le clustering est une technique d'apprentissage non supervisé qui regroupe automatiquement des points de données en fonction de similitudes ou de motifs intrinsèques dans les données, sans nécessiter d'étiquettes préexistantes. L'algorithme identifie des structures naturelles, telles que des relations de distance ou de densité, pour former des clusters. Dans Azure Machine Learning, le clustering est couramment implémenté à l'aide d'algorithmes tels que K-Means ou DBSCAN pour des tâches telles que la segmentation de clients ou la détection d'anomalies.
Pour aller plus loin
Le clustering est une technique non supervisée qui partitionne les données en groupes de sorte que les points d'un groupe soient plus similaires les uns aux autres qu'aux points des autres groupes, en utilisant une mesure de distance ou de densité telle que la distance euclidienne ou la similarité cosinus. Des algorithmes comme k-means, DBSCAN et le clustering hiérarchique découvrent ces structures sans étiquettes ; le nombre de clusters peut être un hyperparamètre ou être déduit des données. L'évaluation utilise des métriques telles que le score de silhouette ou l'indice de Davies-Bouldin plutôt que la précision. Cela importe dans des scénarios tels que la segmentation de clients, la détection d'anomalies ou le regroupement de lectures de capteurs, où aucune étiquette de vérité terrain n'existe et où l'objectif est de faire surface à des regroupements naturels pour l'interprétation humaine plutôt que de prédire une classe connue.
À propos de ces questions d'entraînement
Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.
Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.