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.

Související vodicí cestyK nejbližší sousedé
Otázka 1 z 8

Jak KNN klasifikuje nový datový bod?

Náhled každé otázky8 otázky

Odpovědi a vysvětlení se zobrazují, jak budete v kvízu.

  1. 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
  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. Proč je pro KNN důležité škálování funkcí?
    • Urychluje to trénink
    • Snižuje počet potřebných sousedů
    • Takže vlastnosti s velkým dosahem nedominují vzdálenosti
    • Mění K automaticky
  4. 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
  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. Která moderní technologie spoléhá na myšlenku nejbližšího souseda?
    • Komprese obrazu pomocí JPEG
    • Generování rozšířené o vektorové vyhledávání a načítání
    • Generování náhodných čísel
    • Tabulkové vzorce
  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