iPAS 考題解析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？

解析

正確答案：C. 鄰域半徑（Epsilon ε）與最小點數（MinPts）

DBSCAN透過鄰域半徑ε和最小點數MinPts兩個參數定義「密度」概念，若某點在ε範圍內有至少MinPts個鄰點則為核心點，群集由核心點及其可達點組成，無法被納入群集的點則被標記為雜訊。

每個選項為什麼對或錯

• A 特徵數與學習率 錯誤選項

  DBSCAN不使用學習率，特徵數也不是其超參數。

• B K值與距離閾值 錯誤選項

  K值是K-Means的超參數，DBSCAN不需要預先設定群數。

• C 鄰域半徑（Epsilon ε）與最小點數（MinPts） 正解

  ε（鄰域半徑）與MinPts（最小點數）是DBSCAN的兩個核心超參數，正確。

• D 交叉熵（Cross Entropy）與權重初始化 錯誤選項

  交叉熵與權重初始化是神經網路訓練的概念，與DBSCAN無關。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。