Carregando...
Carregando...
Ajude a melhorar a plataforma
O aprendizado baseado em distâncias encontra aplicações na redução de dimensionalidade, como no método ISOMAP, que preserva distâncias geodésicas. Essa abordagem usa grafos e caminhos mínimos, calculados por algoritmos como Dijkstra.
Com relação a este contexto e sobre o conteúdo estudado, avalie as asserções a seguir e a relação proposta entre elas.
I. Os algoritmos particionais baseados em erro quadrático, como o K-means, buscam minimizar a soma dos erros quadráticos entre os pontos de dados e os centróides dos clusters.
PORQUE
II. Os algoritmos particionais baseados em erro quadrático consideram a densidade dos dados como o critério principal para a formação dos clusters.
A respeito dessas asserções, assinale a alternativa correta.
Explique melhor esta questão
Abre o Tutor com o enunciado e as alternativas já no campo — você revisa e envia.
Esta questão foi verificada por um de nossos administradores.
🎓 Gabarito
A alternativa correta é B
JUSTIFICATIVA:
A asserção I é verdadeira, pois algoritmos particionais como o K-means têm como objetivo minimizar a função de custo baseada na soma dos erros quadráticos ($SSE - Sum of Squared Errors$), definida matematicamente como $SSE = \sum_{i=1}^{k} \sum_{x \in C_i} ||x - \mu_i||^2$, onde $\mu_i$ é o centroide do cluster $C_i$. A asserção II é falsa porque o critério de densidade é a base de algoritmos como o DBSCAN, enquanto algoritmos baseados em erro quadrático utilizam a proximidade (distância) em relação a um ponto central (centroide) como critério de agrupamento, e não a densidade local de pontos.