Kvíz spojený s průvodcem · Střední úroveň
K-Nejbližší sousedé kvíz
Zahrnuje hlasování sousedů, škálování funkcí, náklady na predikci, volbu metriky a praktické kompromisy při ukládání příkladů školení.
Otázka 1 z 8
Jak KNN klasifikuje nový datový bod?
Náhled každé otázky8 otázky
Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.
- Jak KNN klasifikuje nový datový bod?
- Získáním většiny hlasů svých K nejbližších sousedů
- Trénováním neuronové sítě na něm
- Výpočtem vážené regresní přímky
- Přiřazením náhodné třídy
- 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
- Proč je pro KNN důležité škálování funkcí?
- Urychluje to trénink
- Snižuje počet potřebných sousedů
- Takže vlastnosti s velkým dosahem nedominují vzdálenosti
- Mění K automaticky
- Co se stane, když zvolíte velmi malé K, například K=1?
- Model se stává velmi hladkým
- Model ignoruje data
- Předpovědi se stávají nemožnými
- Model se stává citlivým na hluk a může se přetáhnout
- 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
- Která moderní technologie spoléhá na myšlenku nejbližšího souseda?
- Komprese obrazu pomocí JPEG
- Generování rozšířené o vektorové vyhledávání a načítání
- Generování náhodných čísel
- Tabulkové vzorce
- 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