diff --git a/public/images/polygon_button.png b/public/images/polygon_button.png new file mode 100644 index 0000000..9f174b5 Binary files /dev/null and b/public/images/polygon_button.png differ diff --git a/src/app.postcss b/src/app.postcss index e130309..3311ec3 100644 --- a/src/app.postcss +++ b/src/app.postcss @@ -45,7 +45,7 @@ h1 { #app { max-width: 1280px; - max-height: 100vh; + max-height: 300vh; margin: 0 auto; padding: 2rem; text-align: center; diff --git a/src/route/DetailPage.svelte b/src/route/DetailPage.svelte index ba8075b..12f44a8 100644 --- a/src/route/DetailPage.svelte +++ b/src/route/DetailPage.svelte @@ -77,6 +77,9 @@ let problems = [
K-평균은 클러스터링 방법으로, 클러스터 중심의 초기 위치를 기반으로 각 샘플을 가장 가까운 클러스터에 할당합니다.
중심 K-평균 알고리즘은 할당된 샘플의 평균을 사용하여 클러스터 중심의 위치를 업데이트합니다.
샘플을 클러스터에 할당하고 클러스터 중심을 업데이트하는 과정이 반복됩니다.
K-평균 모델을 훈련하기 전에 데이터 준비가 필요합니다.
첫 번째 클러스터는 가장 가까운 샘플을 기반으로 결정됩니다.
squeeze=True인 경우, 샘플의 수가 10보다 작으면 첫 번째 클러스터에서 오류가 발생할 수 있습니다.
두 번째와 세 번째 클러스터는 가장 가까운 샘플을 기반으로 결정됩니다.
클러스터 중심은 슬라이싱 연산을 사용하여 얻을 수 있습니다.
팔꿈치 방법은 k 값을 증가시키고 관성(클러스터 중심과 할당된 샘플 간의 제곱 거리의 합)를 계산하여 최적의 k 값을 찾는 데 사용됩니다.
최적의 k는 관성 감소율이 둔화하기 시작하는 지점에서 선택됩니다
Q{problem.problem_no}. {problem.question}
- {#if isOpenedAnswer} - - {/if} - {#if !isOpenedAnswer} - - {/if} - - {#if isOpenedAnswer} -정답 : {problem.answer}
- {/if} + +정답 : {problem.answer}