Cuestionario vinculado a una guía · Medio Nivel

K-Prueba de vecinos más cercanos

Cubre la votación de vecinos, el escalado de funciones, el costo de la predicción, la elección de métricas y las compensaciones prácticas al almacenar ejemplos de capacitación.

Rutas de guía relacionadasK vecinos más cercanos
Pregunta 1 de 8

¿Cómo clasifica KNN un nuevo punto de datos?

Vista previa de cada pregunta8 preguntas

Las respuestas y explicaciones aparecen a medida que realiza el cuestionario.

  1. ¿Cómo clasifica KNN un nuevo punto de datos?
    • Al obtener el voto mayoritario de sus vecinos más cercanos K.
    • Entrenando una red neuronal en él.
    • Calculando una línea de regresión ponderada
    • Asignando una clase aleatoria
  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. ¿Por qué es importante el escalado de funciones para KNN?
    • Hace que el entrenamiento sea más rápido
    • Reduce el número de vecinos necesarios
    • Por lo tanto, las funciones con grandes alcances no dominan la distancia.
    • Cambia K automáticamente
  4. ¿Qué pasa si eliges una K muy pequeña, como K=1?
    • El modelo se vuelve muy suave.
    • El modelo ignora los datos.
    • Las predicciones se vuelven imposibles
    • El modelo se vuelve sensible al ruido y puede sobreajustarse
  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. ¿Qué tecnología moderna se basa en la idea del vecino más cercano?
    • Compresión de imágenes con JPEG
    • Generación aumentada de búsqueda y recuperación de vectores
    • Generación de números aleatorios
    • Fórmulas de hoja de cálculo
  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