31. 下列何種方法通常應用在集群（Clustering）問題？
(A) Support Vector Machine
(B) Random Forest
(C) K Nearest Neighbors
(D) K-Means

答案：登入後查看
統計： A(0), B(2), C(11), D(32), E(0) #3156400

詳解 (共 1 筆)

#6330669

解析題目與選項：

集群（Clustering） 是**非監督式學習（Unsupervised Learning）**的一種，目標是將數據根據內在特徵進行分組，讓同一組內的數據點相似度高，而不同組之間的數據點相似度低。

常見的聚類方法包括：

  • K-Means（K 平均演算法）
  • DBSCAN（Density-Based Spatial Clustering）
  • 層次式分群（Hierarchical Clustering）
  • 高斯混合模型（Gaussian Mixture Model, GMM）

選項分析：

(A) Support Vector Machine（SVM） ❌ (錯誤，SVM 是監督式學習)
→ SVM 是一種監督式學習演算法，用於分類和回歸，例如二元分類（判斷是 A 或 B）。它需要標籤（label），而 Clustering 是無標籤學習，因此 SVM 不適用於 Clustering。

(B) Random Forest（隨機森林） ❌ (錯誤，隨機森林是監督式學習)
→ Random Forest 是監督式學習的一種 Ensemble Learning 方法，主要用於分類（Classification）和回歸（Regression）。它透過多棵決策樹進行投票或平均，因此 不是 Clustering 方法。

(C) K-Nearest Neighbors（KNN） ❌ (錯誤，KNN 是監督式學習)
→ KNN 是一種監督式學習方法，主要用於分類（Classification）與回歸（Regression）。雖然 KNN 可以在無標籤情境下用於異常偵測，但它的主要用途不是 Clustering。

(D) K-Means ✅ (正確！K-Means 是 Clustering 方法)
→ K-Means 是最常見的 Clustering 演算法之一，它透過選定 K 個中心點（Centroids），再將數據點分配到最接近的中心點群組內，最終形成 K 個群集（Clusters）。

正確答案：

✅ (D) K-Means (K-Means 是 Clustering 問題的常用方法！)

0
0