Mit dem Guide verknüpftes Quiz · Mittel Ebene

K-Nächste-Nachbarn-Quiz

Behandelt Nachbarschaftsabstimmung, Feature-Skalierung, Vorhersagekosten, Metrikauswahl und praktische Kompromisse beim Speichern von Trainingsbeispielen.

Verwandte FührungspfadeK Nächste Nachbarn
Frage 1 von 8

Wie klassifiziert KNN einen neuen Datenpunkt?

Sehen Sie sich jede Frage in der Vorschau an8 Fragen

Während Sie am Quiz teilnehmen, werden Antworten und Erklärungen angezeigt.

  1. Wie klassifiziert KNN einen neuen Datenpunkt?
    • Durch die Mehrheitsentscheidung seiner K nächsten Nachbarn
    • Indem man darauf ein neuronales Netzwerk trainiert
    • Durch Berechnen einer gewichteten Regressionslinie
    • Durch Zuweisen einer zufälligen Klasse
  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. Warum ist Feature-Skalierung für KNN wichtig?
    • Es macht das Training schneller
    • Es reduziert die Anzahl der benötigten Nachbarn
    • Merkmale mit großer Reichweite dominieren also nicht die Entfernung
    • Es ändert K automatisch
  4. Was passiert, wenn Sie ein sehr kleines K wählen, z. B. K=1?
    • Das Modell wird sehr glatt
    • Das Modell ignoriert die Daten
    • Vorhersagen werden unmöglich
    • Das Modell reagiert empfindlich auf Rauschen und kann zu einer Überanpassung führen
  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. Welche moderne Technologie basiert auf der Nearest-Neighbor-Idee?
    • Bildkomprimierung mit JPEG
    • Vektorsuche und -abfrage-erweiterte Generierung
    • Zufallszahlengenerierung
    • Tabellenkalkulationsformeln
  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