La votación entre vecinos y k-means dependen de la distancia, pero responden a preguntas distintas. Un clasificador de vecinos más cercanos predice un resultado conocido usando filas de entrenamiento etiquetadas. K-means crea grupos sin objetivo. Esta serie de ejercicios los alterna para que la presencia o la ausencia de etiquetas siga formando parte de tu decisión de modelado.
Lee el requisito de preparación de cada enunciado. Las tareas de clasificación usan un pipeline de escalado ajustado con el entrenamiento y un número de vecinos explícito. Las tareas de agrupamiento a veces piden entradas sin escalar como comparación controlada. Los valores de las etiquetas de clúster pueden permutarse sin cambiar el agrupamiento, pero ordenar las etiquetas rompe su correspondencia con los clientes. Aquí no aparecen métodos nuevos. Conserva el orden de las filas y deja que los objetos ajustados calculen las salidas para los datos ficticios cambiados.
La votación entre vecinos depende de la distancia. El escalado ajustado con el entrenamiento evita que una variable con unidades numéricas grandes domine esa distancia.