গাইড লিঙ্ক ক্যুইজ · মাঝারি স্তর

K- নিকটতম প্রতিবেশীদের কুইজ

প্রশিক্ষণের উদাহরণগুলি সংরক্ষণ করার সময় প্রতিবেশী ভোটদান, বৈশিষ্ট্য স্কেলিং, ভবিষ্যদ্বাণীর খরচ, মেট্রিক পছন্দ এবং ব্যবহারিক ট্রেডঅফগুলি কভার করে৷

সম্পর্কিত গাইড পাথK নিকটতম প্রতিবেশী
প্রশ্ন 1 এর 8

কিভাবে KNN একটি নতুন ডেটা পয়েন্ট শ্রেণীবদ্ধ করে?

প্রতিটি প্রশ্নের পূর্বরূপ দেখুন8 প্রশ্ন

আপনি কুইজ নেওয়ার সাথে সাথে উত্তর এবং ব্যাখ্যাগুলি উপস্থিত হয়।

  1. কিভাবে KNN একটি নতুন ডেটা পয়েন্ট শ্রেণীবদ্ধ করে?
    • এর K নিকটতম প্রতিবেশীদের সংখ্যাগরিষ্ঠ ভোট গ্রহণ করে
    • এটিতে একটি নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দিয়ে
    • একটি ওজনযুক্ত রিগ্রেশন লাইন গণনা করে
    • একটি র্যান্ডম ক্লাস বরাদ্দ করে
  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. কেন KNN এর জন্য বৈশিষ্ট্য স্কেলিং গুরুত্বপূর্ণ?
    • এটি প্রশিক্ষণকে দ্রুত করে তোলে
    • এটি প্রয়োজনীয় প্রতিবেশীর সংখ্যা হ্রাস করে
    • তাই বড় পরিসরের বৈশিষ্ট্য দূরত্বের উপর প্রাধান্য পায় না
    • এটি স্বয়ংক্রিয়ভাবে K পরিবর্তন করে
  4. আপনি যদি K=1 এর মত একটি খুব ছোট K বেছে নেন তাহলে কি হবে?
    • মডেল খুব মসৃণ হয়ে ওঠে
    • মডেল ডেটা উপেক্ষা করে
    • ভবিষ্যদ্বাণী করা অসম্ভব হয়ে ওঠে
    • মডেলটি শব্দের প্রতি সংবেদনশীল হয়ে ওঠে এবং অতিরিক্ত ফিট হতে পারে
  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. কোন আধুনিক প্রযুক্তি নিকটতম-প্রতিবেশীর ধারণার উপর নির্ভর করে?
    • JPEG এর সাথে ইমেজ কম্প্রেশন
    • ভেক্টর অনুসন্ধান এবং পুনরুদ্ধার-বর্ধিত প্রজন্ম
    • এলোমেলো সংখ্যা প্রজন্ম
    • স্প্রেডশীট সূত্র
  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