79 Quiz: Ενότητα 11 (11.3)-Αλγόριθμοι Κατηγοριοποίησης & Ομαδοποίησης

Αλγόριθμοι Κατηγοριοποίησης & Ομαδοποίησης

Σκορ: 0 / 25

Χρόνος: 20:00

1. Σε ποια βασική τεχνική μάθησης ανήκει η Κατηγοριοποίηση (Classification);

Μη επιβλεπόμενη μάθηση. Ενισχυτική μάθηση. Εποχιακή μάθηση. Επιβλεπόμενη μάθηση.

Η Κατηγοριοποίηση ανήκει στην επιβλεπόμενη μάθηση, καθώς εκπαιδεύεται με σύνολα δεδομένων όπου οι κατηγορίες (labels) είναι ήδη γνωστές.

2. Ποιο είναι το βασικό χαρακτηριστικό των δεδομένων που χρησιμοποιούνται για την εκπαίδευση μοντέλων στην Κατηγοριοποίηση;

Είναι τεράστια σε όγκο και μη δομημένα. Οι κατηγορίες (labels) είναι γνωστές εκ των προτέρων. Δεν έχουν κοινά χαρακτηριστικά. Έχουν συνεχείς τιμές (continuos values).

Τα μοντέλα Classification εκπαιδεύονται με δεδομένα στα οποία οι κατηγορίες (labels) είναι γνωστές, ώστε να μπορούν να ταξινομούν νέες παρατηρήσεις.

3. Ποια εφαρμογή της Κατηγοριοποίησης αφορά την ταξινόμηση πελατών σε «Υψηλού» ή «Χαμηλού κινδύνου»;

Ομαδοποίηση αγοραστικής συμπεριφοράς. Ανίχνευση ανωμαλιών. Πρόβλεψη επισφαλών πελατών. Δυναμική τιμολόγηση.

Η πρόβλεψη επισφαλών πελατών είναι μια κλασική εφαρμογή Κατηγοριοποίησης, όπου ταξινομούνται σε μία από τις δύο προκαθορισμένες κατηγορίες κινδύνου.

4. Με ποιον τρόπο ανταποκρίνονται οι επιχειρήσεις στον εντοπισμό επισφαλών πελατών μέσω Classification;

Με την αγνόηση του πελάτη. Με τη λήψη προληπτικών μέτρων, όπως η αυστηρότερη πολιτική πιστώσεων. Με την αύξηση της διαθεσιμότητας των προϊόντων. Με την προσφορά ειδικών εκπτώσεων.

Ο εντοπισμός υψηλού κινδύνου πελατών οδηγεί σε προληπτικά μέτρα, όπως η αυστηροποίηση των πιστωτικών όρων ή η παροχή ειδικών όρων εξυπηρέτησης.

5. Ποιο από τα ακόλουθα ΔΕΝ είναι κριτήριο αξιολόγησης αιτήσεων δανείων μέσω Κατηγοριοποίησης;

Εισόδημα. Πιστοληπτική ικανότητα. Ιστορικό εξυπηρέτησης δανείων. Προσωπική κρίση του υπαλλήλου.

Η χρήση Classification στην αξιολόγηση δανείων αποσκοπεί στην ελαχιστοποίηση της υποκειμενικότητας και στην αντικειμενική διαδικασία, χωρίς να εξαρτάται μόνο από την προσωπική κρίση.

6. Ποια είναι η συμβολή της Κατηγοριοποίησης στη διαδικασία αξιολόγησης δανείων;

Αύξηση της υποκειμενικότητας. Μείωση του πιστωτικού κινδύνου και τυποποίηση της διαδικασίας. Επιβράδυνση της λήψης αποφάσεων. Δημιουργία νέων κατηγοριών δανείων.

Τα μοντέλα classification συνεισφέρουν στη μείωση του πιστωτικού κινδύνου και στην τυποποίηση της διαδικασίας αξιολόγησης, ελαχιστοποιώντας την υποκειμενικότητα.

7. Ποια τεχνική βοηθά τις επιχειρήσεις να χωρίζουν τα δεδομένα τους σε ομάδες που έχουν κοινά χαρακτηριστικά, χωρίς να γνωρίζουν τις ομάδες εκ των προτέρων;

Κατηγοριοποίηση (Classification). Επιβλεπόμενη μάθηση. Ομαδοποίηση (Clustering). Αξιολόγηση αιτήσεων δανείων.

Η Ομαδοποίηση (Clustering) είναι τεχνική μη επιβλεπόμενης μάθησης, όπου το σύστημα προσπαθεί να ανακαλύψει τις ομάδες μόνο του, με βάση τα δεδομένα.

8. Ποια είναι η βασική διαφορά της Ομαδοποίησης από την Κατηγοριοποίηση όσον αφορά τις ομάδες;

Στην Ομαδοποίηση οι ομάδες είναι πάντα δύο, ενώ στην Κατηγοριοποίηση είναι περισσότερες. Η Ομαδοποίηση χρησιμοποιεί labels, ενώ η Κατηγοριοποίηση όχι. Η Ομαδοποίηση ανακαλύπτει τις ομάδες, ενώ η Κατηγοριοποίηση τις γνωρίζει εκ των προτέρων. Η Κατηγοριοποίηση βρίσκει ανωμαλίες, ενώ η Ομαδοποίηση όχι.

Στην Ομαδοποίηση το σύστημα ανακαλύπτει τις ομάδες (μη επιβλεπόμενη), ενώ στην Κατηγοριοποίηση οι ομάδες (labels) είναι γνωστές (επιβλεπόμενη).

9. Ποιο από τα ακόλουθα ΔΕΝ είναι στοιχείο που χρησιμοποιείται για την Ομαδοποίηση πελατών με βάση τις αγοραστικές συνήθειες;

Πόσο συχνά αγοράζουν. Πιστοληπτική ικανότητα. Τι ποσά ξοδεύουν. Ποια προϊόντα προτιμούν.

Η πιστοληπτική ικανότητα αφορά τον κίνδυνο (Classification/Αξιολόγηση Δανείων), ενώ η Ομαδοποίηση αγοραστικών συνηθειών εστιάζει στη συμπεριφορά του πελάτη.

10. Ποια είναι η ενέργεια της επιχείρησης μετά τη δημιουργία ομάδων πελατών μέσω Clustering;

Η ενιαία τιμολόγηση για όλες τις ομάδες. Ο σχεδιασμός ειδικών καμπανιών marketing για κάθε ομάδα. Η αύξηση των αποθεμάτων. Η κατάργηση των συστημάτων recommendation.

Ο κύριος στόχος της Ομαδοποίησης πελατών είναι η προσαρμογή των προσφορών ή ο σχεδιασμός ειδικών καμπανιών marketing για την κάθε ομάδα.

11. Εκτός από τον διαχωρισμό πελατών, ποια είναι μια άλλη σημαντική χρήση της Ομαδοποίησης (Clustering);

Η τυποποίηση της διοικητικής δομής. Η ανίχνευση ανωμαλιών (π.χ. σε συστήματα αποθεμάτων ή συναλλαγές). Η πρόβλεψη συναλλαγματικών ισοτιμιών. Η αυτοματοποίηση της εφοδιαστικής αλυσίδας.

Η ομαδοποίηση χρησιμοποιείται για την ανίχνευση ανωμαλιών, δηλαδή για να βρεθούν περιπτώσεις που δεν ταιριάζουν με τις ομάδες, κάτι που μπορεί να υποδηλώνει λάθος ή απάτη.

12. Τι μπορεί να υποδηλώνει η επισήμανση ασυνήθιστης κίνησης ενός προϊόντος από ένα σύστημα αποθεμάτων που χρησιμοποιεί Clustering;

Αύξηση κερδών. Εντοπισμό λαθών, λειτουργικών σφαλμάτων ή πιθανής απάτης. Απαραίτητη μείωση του προσωπικού. Σταθερή και προβλέψιμη συμπεριφορά.

Οι ασυνήθιστες αποκλίσεις (ανωμαλίες) ελέγχονται για να διαπιστωθεί αν οφείλονται σε λάθος καταχωρήσεις, λειτουργικά σφάλματα ή φαινόμενα απάτης.

13. Ποιος από τους τρεις βασικούς αλγόριθμους που αναφέρονται ζητά από το σύστημα να δημιουργήσει **k** ομάδες, όπου το **k** δίνεται εκ των προτέρων;

DBSCAN. Decision Trees. k-means. Classification.

Ο αλγόριθμος k-means απαιτεί τον καθορισμό του αριθμού των ομάδων (k) από τον χρήστη πριν την έναρξη της διαδικασίας ομαδοποίησης.

14. Ποια είναι η βασική λογική με την οποία ο αλγόριθμος k-means τοποθετεί τα δεδομένα σε ομάδες;

Βάζει δεδομένα που είναι πιο μακριά από τα κέντρα. Μετράει ποια δεδομένα είναι πιο κοντά σε κάθε κέντρο και τα τοποθετεί εκεί. Ταξινομεί με βάση προκαθορισμένες κατηγορίες (labels). Εντοπίζει τις πιο πυκνές περιοχές δεδομένων.

Ο k-means βασίζεται στη μέτρηση της απόστασης των δεδομένων από τα κέντρα των ομάδων, ώστε να τοποθετηθούν στην πλησιέστερη ομάδα.

15. Ποιο είναι το τελικό βήμα στον τρόπο λειτουργίας του αλγορίθμου k-means;

Επαναλαμβάνει τη διαδικασία μέχρι οι ομάδες να σταθεροποιηθούν. Μετακινεί όλα τα δεδομένα στο αρχικό κέντρο. Απορρίπτει όλα τα δεδομένα που δεν ανήκουν σε καμία ομάδα. Ολοκληρώνει τη διαδικασία με την πρώτη τοποθέτηση των δεδομένων.

Ο αλγόριθμος k-means επαναλαμβάνει τη διαδικασία μετακίνησης κέντρων και επανατοποθέτησης δεδομένων μέχρι τα κέντρα και οι ομάδες να σταθεροποιηθούν.

16. Για ποιο σκοπό είναι χρήσιμος ο αλγόριθμος k-means στις επιχειρήσεις;

Για την πρόβλεψη επισφαλών δανείων. Για την ανίχνευση απάτης σε ασυνήθιστες συναλλαγές. Για τον διαχωρισμό πελατών σε ομάδες με κοινά χαρακτηριστικά για στοχευμένες προσφορές. Για τη λήψη αποφάσεων με βάση τη διαφάνεια των κριτηρίων.

Ο k-means χρησιμοποιείται για την ομαδοποίηση πελατών ή προϊόντων, με στόχο την προσαρμογή των στρατηγικών marketing και των προσφορών.

17. Ποια χαρακτηριστικά περιγράφουν την «Ομάδα Β» των πελατών στο παράδειγμα του k-means;

Πραγματοποιούν αγορές σε τακτική βάση αλλά με χαμηλό μέσο ποσό. Προτιμούν τις περιόδους εκπτώσεων ή ειδικών προσφορών. Αγοράζουν σπάνια, αλλά επιλέγουν προϊόντα υψηλής αξίας. Δεν έχουν κανένα κοινό χαρακτηριστικό.

Η Ομάδα Β περιγράφεται ως «πελάτες που αγοράζουν σπάνια, αλλά όταν το κάνουν, επιλέγουν προϊόντα υψηλής αξίας».

18. Ποιο είναι το πλεονέκτημα για την επιχείρηση από την αξιοποίηση των ομάδων που δημιουργεί ο k-means;

Μείωση του συνολικού κόστους αγοράς προϊόντων. Αυτόματη αύξηση της διατήρησης των πελατών. Σχεδιασμός εξατομικευμένων προωθητικών ενεργειών για αύξηση της αποδοτικότητας των καμπανιών. Εξάλειψη του πιστωτικού κινδύνου.

Η εξατομίκευση των προωθητικών ενεργειών με βάση τις ομάδες οδηγεί σε αύξηση της αποδοτικότητας των marketing καμπανιών και της διατήρησης των πελατών.

19. Τι ΔΕΝ χρειάζεται να πούμε εκ των προτέρων στον αλγόριθμο DBSCAN, σε αντίθεση με τον k-means;

Ποια δεδομένα θα χρησιμοποιηθούν. Πόσες ομάδες θέλουμε να δημιουργηθούν. Ποιος είναι ο σκοπός της ομαδοποίησης. Ποια είναι τα χαρακτηριστικά των δεδομένων.

Ο DBSCAN βρίσκει μόνος του τον αριθμό των ομάδων, ενώ ο k-means απαιτεί από τον χρήστη να καθορίσει εκ των προτέρων τον αριθμό (k).

20. Με βάση ποιο κριτήριο βρίσκει ομάδες ο αλγόριθμος DBSCAN;

Την τυχαία τοποθέτηση κέντρων. Τις προκαθορισμένες κατηγορίες (labels). Την απόσταση από το πλησιέστερο κέντρο. Το πού υπάρχουν πολλά δεδομένα κοντά το ένα στο άλλο («πυκνές περιοχές»).

Ο DBSCAN είναι αλγόριθμος ομαδοποίησης με βάση την πυκνότητα (Density-Based), δηλαδή βρίσκει ομάδες σε πυκνές περιοχές δεδομένων.

21. Πώς αντιμετωπίζει ο DBSCAN τα δεδομένα που δεν ανήκουν σε καμία πυκνή περιοχή;

Τα εντάσσει στην πλησιέστερη ομάδα. Τα θεωρεί ανωμαλίες ή θόρυβο. Τα χρησιμοποιεί για να δημιουργήσει νέα κέντρα ομάδων. Τα ταξινομεί σε προκαθορισμένη κατηγορία «άγνωστο».

Ο DBSCAN έχει την ικανότητα να εντοπίζει δεδομένα που δεν ανήκουν σε καμία ομάδα, τα οποία χαρακτηρίζει ως ανωμαλίες (outliers) ή θόρυβο (noise).

22. Ποιος αλγόριθμος είναι ιδιαίτερα χρήσιμος για την ανίχνευση ασυνήθιστων μοτίβων (π.χ. υπερβολική αύξηση παραγγελιών) στη διαχείριση αποθεμάτων;

Decision Trees. k-means. DBSCAN. Linear Regression.

Ο DBSCAN είναι κατάλληλος για την ανίχνευση ανωμαλιών, βρίσκοντας δεδομένα που διαφέρουν πολύ από τις πυκνές ομάδες προϊόντων.

23. Σε ποια κατηγορία αλγορίθμων ανήκουν τα Decision Trees (Δέντρα Αποφάσεων);

Ομαδοποίηση (Clustering). Ενισχυτική μάθηση. Κατηγοριοποίηση (Classification). Μείωση διάστασης.

Τα Decision Trees χρησιμοποιούνται όταν θέλουμε να χωρίσουμε τα δεδομένα σε κατηγορίες (π.χ. έγκριση/απόρριψη), οπότε είναι αλγόριθμος Classification.

24. Ποιο είναι το βασικό πλεονέκτημα των Decision Trees στη διαδικασία αξιολόγησης;

Η ταχύτητα εκτέλεσης μόνο. Η διαφάνεια (explainability) της διαδικασίας αξιολόγησης. Η αποκλειστική χρήση συνεχών δεδομένων. Η αυτόματη δημιουργία νέων ομάδων κινδύνου.

Το βασικό πλεονέκτημα των Decision Trees είναι η διαφάνεια, καθώς κάθε απόφαση μπορεί να εξηγηθεί με βάση τη διαδρομή (σειρά ερωτήσεων) που ακολουθήθηκε στο δέντρο.

25. Στο απλοποιημένο παράδειγμα Decision Tree για έγκριση δανείου, ποιο είναι το πρώτο κριτήριο που εξετάζεται;

Το ύψος του ζητούμενου ποσού. Το πιστωτικό ιστορικό. Το αν υπάρχει σταθερό εισόδημα του αιτούντος. Το ιστορικό εξυπηρέτησης δανείων.

Το δέντρο αρχίζει με τον έλεγχο του σταθερού εισοδήματος του αιτούντος, καθώς αν δεν υπάρχει, η αίτηση απορρίπτεται αυτόματα.