Тест, свързан с ръководство · Среден Ниво

K-тест за най-близките съседи

Обхваща съседно гласуване, мащабиране на функции, цена на прогнозиране, избор на метрика и практически компромиси при съхраняване на примери за обучение.

Свързани ръководни пътекиK Най-близки съседи
Въпрос 1 на 8

Как KNN класифицира нова точка от данни?

Визуализирайте всеки въпрос8 въпроси

Отговорите и обясненията се появяват, докато отговаряте на теста.

  1. Как KNN класифицира нова точка от данни?
    • Като вземе мнозинството от своите K най-близки съседи
    • Чрез обучение на невронна мрежа върху него
    • Чрез изчисляване на претеглена регресионна линия
    • Чрез присвояване на случаен клас
  2. 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
  3. Защо мащабирането на функции е важно за KNN?
    • Прави обучението по-бързо
    • Това намалява броя на необходимите съседи
    • Така че функции с големи обхвати не доминират в разстоянието
    • Променя K автоматично
  4. Какво се случва, ако изберете много малко K, като K=1?
    • Моделът става много гладък
    • Моделът игнорира данните
    • Прогнозите стават невъзможни
    • Моделът става чувствителен към шум и може да прекали
  5. 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
  6. Коя съвременна технология разчита на идеята за най-близкия съсед?
    • Компресиране на изображения с JPEG
    • Генериране на векторно търсене и разширено извличане
    • Генериране на случайни числа
    • Формули за електронни таблици
  7. 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
  8. 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