P0 · 必會
機器學習
分群 (Clustering)
是什麼
在沒有既有標籤時，依資料相似性把樣本自動分成群組。
解決什麼問題
探索資料中自然形成的結構，例如顧客分群。
考場 Trigger
- 沒有標籤
- 依相似性分組
- 顧客分群
容易搞混
分類迴歸
初級深度
知道分群屬非監督式學習，能與分類清楚區分即可。
中級深度
要能比較 K-means 與 DBSCAN：要不要先指定群數、能否找出任意形狀的群並標出雜訊點，以及高維資料下距離與密度為何失效。
你是從第 題進入此知識卡，原本的題序、答案與解析狀態都已保存。
Official Evidence
官方題目正在怎麼考
6 官方題5 考綱節點
某電商平台計劃針對既有會員進行精準行銷。行銷團隊收集了所有會員的平均消費金額、每月購物頻率及瀏覽商品類別次數等特徵資料，但並未預先設定客戶類型標籤。希望透過 AI 自動將特徵相似的會員分成數個群體，作為後續規劃客製化促銷方案的依據。下列哪一種機器學習方法最適合此需求？
企業資料分析團隊使用 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）演算法進行顧客行為分群，並希望模型能自動區分主要群集與雜訊資料。 在此演算法中，決定聚類結果的兩個主要超參數為下列何者？
某數據工程師使用 DBSCAN 演算法對一份數百萬筆的高維顧客資料進行聚類分析，但發現程式執行速度極慢，甚至出現記憶體不足的情況。若要在不改變演算法核心邏輯的前提下，最有效提升其運算效率的作法為何？
請參考附圖，下列虛擬程式碼（pseudocode）最可能是在描述何種演算法？
在執行 DBSCAN（Density-Based Spatial Clustering of Applications with Noise）群集分析時，若某資料點鄰域內的樣本數不足以形成核心點（Core Point），且該點未被任何核心點的鄰域所包含，也未與其他群集形成密度可達關係（Density Reachability），此資料點最終將被歸類為哪一種類型？
某資料工程師嘗試對包含 300 個特徵的使用者行為資料集使用 DBSCAN 進行群集分析，但發現幾乎所有資料點都被判定為雜訊點（Noise Points），難以形成有意義的群集，即使不斷調整ε（Epsilon）與 MinPts 參數也無濟於事。請問下列何者為此問題最可能的根本原因？
Concept Relations