AAnS Tema 5

¿Qué significa DBSCAN?. Density-Based Spatial Clustering of Applications with Noise. Data-Based Spatial Clustering Algorithm. Density-Balanced Spatial Clustering Algorithm. Distance-Based Spatial Clustering of Applications with Noise.

¿Cuál de los siguientes parámetros es clave en DBSCAN?. K. Épsilon (ϵ). Sigma (σ). Alpha (α).

¿Qué tipo de clústeres puede identificar el DBSCAN?. Solamente esféricos. Solamente convexos. De cualquier forma. Solamente cóncavos.

¿A qué hace referencia el parámetro MinPts?. El número mínimo de puntos en el dataset. El número mínimo de clústeres. El número mínimo de puntos para formar un clúster denso. La distancia mínima entre dos puntos.

¿Qué ocurre si el valor de épsilon (ϵ) es muy pequeño?. Todos los puntos se considerarán clústeres. La mayoría de los puntos serán considerados ruido. Todos los puntos se unirán en un solo clúster. Se formarán clústeres de forma esférica.

¿Cómo se denomina un punto que tiene menos de MinPts dentro de la distancia ϵ pero que está cerca de un punto central?. Punto central. Punto de ruido. Punto aislado. Punto fronterizo.

¿Cuál es una ventaja importante de DBSCAN frente a K-Means?. Requiere menos parámetros. Identifica clústeres de forma esférica. Es más rápido. No necesita especificar el número de clústeres de antemano.

¿Qué métrica de evaluación se puede usar para evaluar la calidad de un clustering con DBSCAN?. Puntaje de la silueta. Error cuadrático medio. Puntaje de Z-Score. Prueba t de Student.

En el contexto de DBSCAN, ¿para qué se utiliza un KD-Tree?. Acelerar la búsqueda de vecinos. Reducir el número de puntos en el dataset. Mejorar la precisión del clustering. Aumentar el número de clústeres.

¿Qué hace DBSCAN con los puntos que no pertenecen a ningún clúster?. Los redistribuye a clústeres existentes. Los etiqueta como ruido. Los elimina del dataset. Los marca como puntos centrales.