Κουίζ που συνδέεται με οδηγό · Μεσαίο Επίπεδο

Κουίζ K-Nearest Neighbors

Καλύπτει την ψηφοφορία γειτόνων, την κλιμάκωση χαρακτηριστικών, το κόστος της πρόβλεψης, την επιλογή μετρήσεων και τις πρακτικές ανταλλαγές κατά την αποθήκευση παραδειγμάτων εκπαίδευσης.

Σχετικές διαδρομές οδηγώνK Πλησιέστεροι Γείτονες
Ερώτηση 1 του 8

Πώς ταξινομεί το KNN ένα νέο σημείο δεδομένων;

Προεπισκόπηση κάθε ερώτησης8 ερωτήσεις

Οι απαντήσεις και οι εξηγήσεις εμφανίζονται καθώς κάνετε το κουίζ.

  1. Πώς ταξινομεί το KNN ένα νέο σημείο δεδομένων;
    • Λαμβάνοντας την πλειοψηφία των Κ πλησιέστερων γειτόνων της
    • Εκπαιδεύοντας ένα νευρωνικό δίκτυο σε αυτό
    • Υπολογίζοντας μια σταθμισμένη γραμμή παλινδρόμησης
    • Με την ανάθεση μιας τυχαίας τάξης
  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. Γιατί είναι σημαντική η κλίμακα χαρακτηριστικών για το KNN;
    • Κάνει την προπόνηση πιο γρήγορη
    • Μειώνει τον αριθμό των γειτόνων που χρειάζονται
    • Έτσι τα χαρακτηριστικά με μεγάλες εμβέλειες δεν κυριαρχούν στην απόσταση
    • Αλλάζει το Κ αυτόματα
  4. Τι θα συμβεί αν επιλέξετε ένα πολύ μικρό Κ, όπως το K=1;
    • Το μοντέλο γίνεται πολύ ομαλό
    • Το μοντέλο αγνοεί τα δεδομένα
    • Οι προβλέψεις γίνονται αδύνατες
    • Το μοντέλο γίνεται ευαίσθητο στο θόρυβο και μπορεί να ταιριάζει υπερβολικά
  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. Ποια σύγχρονη τεχνολογία βασίζεται στην ιδέα του πλησιέστερου γείτονα;
    • Συμπίεση εικόνας με JPEG
    • Διανυσματική αναζήτηση και ανάκτηση επαυξημένης γενιάς
    • Τυχαία παραγωγή αριθμών
    • Τύποι υπολογιστικών φύλλων
  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