Domande d'esame VERIFICATO
esempi domande aperte
55 visualizzazioni
18 download
★ 3,5 (1)
Stai vedendo l'anteprima delle prime pagine. Il file completo è gratis: registrati per leggerlo tutto.
Di cosa parla
- L'analisi del primo dataset da mille istanze richiede la definizione di una funzione di similarità differenziata per gestire gli attributi continui addensati e quelli discreti sparsi, privilegiando metriche come l'Euclideo o il Cosine Distance in base alla natura delle variabili.
- Per migliorare i risultati del clustering è fondamentale intervistare esperti di dominio su regole logiche specifiche, ad esempio verificare se certi attributi asimmetrici implicano necessariamente la presenza di altri stati meteorologici per guidare l'interpretazione dei gruppi formatisi.
- La valutazione della qualità dell'algoritmo di raggruppamento deve avvalersi sia di misure interne come il coefficiente silhouette e l'inertia, sia di metriche esterne se disponibili etichette ground truth, considerando anche la stabilità del modello su sottoinsiemi campionati dei dati.
- Nello scenario successivo con diecimila istanze a attributi puramente continui (meteo), si deve adottare un approccio parsimonioso e interpretabile selezionando tramite feature selection solo le variabili più rilevanti per evitare l'overfitting su grandi volumi di dati.
- Il workflow concettuale del processo prevede fasi sequenziali che includono la pulizia dei dati, il calcolo delle distanze o similarità tra istanze, l'applicazione dell'algoritmo di clustering e infine una fase di interpretazione dei cluster ottenuti alla luce della conoscenza di dominio.
Questo appunto è gratis. Registrati in 30 secondi per leggere tutte le pagine e scaricarlo.