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
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।
- 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
- 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
- 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
- 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
- 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
- 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
- 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