اختبار مرتبط بالدليل · متوسط المستوى

K-أقرب مسابقة الجيران

يغطي تصويت الجيران، وتوسيع الميزات، وتكلفة التنبؤ، واختيار المقياس، والمقايضات العملية عند تخزين أمثلة التدريب.

مسارات الدليل ذات الصلةK أقرب الجيران

سؤال 1 من 8

كيف تقوم KNN بتصنيف نقطة بيانات جديدة؟

معاينة كل سؤال8 أسئلة

تظهر الإجابات والتفسيرات أثناء إجراء الاختبار.

كيف تقوم KNN بتصنيف نقطة بيانات جديدة؟
- من خلال الحصول على أغلبية أصوات جيرانها الأقربين
- من خلال تدريب الشبكة العصبية عليها
- عن طريق حساب خط الانحدار المرجح
- عن طريق تعيين فئة عشوائية
Why is KNN often called a “lazy learner”?
- It never stores training data
- It stores training examples and can defer much model-specific work until prediction, though indexes may be built during fitting
- It always trains a deep neural network first
- It does no work during either fitting or prediction
ما سبب أهمية توسيع الميزات لـ KNN؟
- يجعل التدريب أسرع
- أنه يقلل من عدد الجيران اللازمة
- لذا فإن الميزات ذات النطاقات الكبيرة لا تهيمن على المسافة
- يتغير K تلقائيًا
ماذا يحدث إذا اخترت K صغيرًا جدًا، مثل K=1؟
- يصبح النموذج سلسًا جدًا
- يتجاهل النموذج البيانات
- التوقعات تصبح مستحيلة
- يصبح النموذج حساسًا للضوضاء وقد يفرط في الاحتواء
In a brute-force KNN implementation, why can prediction be slow on a large dataset?
- It may compute distances from a query to many or all stored examples
- It must update all model weights for every query
- It reruns the entire training dataset through a neural network
- It cannot use an index or approximate search
ما هي التكنولوجيا الحديثة التي تعتمد على فكرة الجار الأقرب؟
- ضغط الصور باستخدام JPEG
- البحث عن المتجهات وتوليد الاسترجاع المعزز
- توليد أرقام عشوائية
- صيغ جداول البيانات
Why should a feature scaler be fit only on the training split before KNN evaluation?
- To make the distance metric ignore every feature
- To guarantee all classes have equal counts
- To avoid using information from validation or test examples when setting the scale
- To remove the need to choose K
How can KNN make a prediction for a regression task?
- Choose the most common class label only
- Fit a new deep network for each query
- Ignore the stored examples and use a fixed intercept
- Aggregate the target values of the K nearest training examples, often by averaging