के-निकटतम पड़ोसी प्रश्नोत्तरी

जैसे ही आप प्रश्नोत्तरी लेते हैं उत्तर और स्पष्टीकरण दिखाई देते हैं।

1. KNN एक नए डेटा बिंदु को कैसे वर्गीकृत करता है?
   • अपने K निकटतम पड़ोसियों का बहुमत वोट लेकर
   • इस पर एक तंत्रिका नेटवर्क को प्रशिक्षित करके
   • भारित प्रतिगमन रेखा की गणना करके
   • एक यादृच्छिक वर्ग निर्दिष्ट करके
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. KNN के लिए फ़ीचर स्केलिंग क्यों महत्वपूर्ण है?
   • यह प्रशिक्षण को तेज़ बनाता है
   • इससे आवश्यक पड़ोसियों की संख्या कम हो जाती है
   • इसलिए बड़ी रेंज वाली विशेषताएं दूरी पर हावी नहीं होती हैं
   • यह स्वचालित रूप से K को बदल देता है
4. यदि आप बहुत छोटा K चुनते हैं, जैसे K=1 तो क्या होगा?
   • मॉडल बहुत स्मूथ हो जाता है
   • मॉडल डेटा को अनदेखा करता है
   • भविष्यवाणी असंभव हो जाती है
   • मॉडल शोर के प्रति संवेदनशील हो जाता है और ओवरफिट हो सकता है
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. कौन सी आधुनिक तकनीक निकटतम-पड़ोसी के विचार पर निर्भर करती है?
   • JPEG के साथ छवि संपीड़न
   • वेक्टर खोज और पुनर्प्राप्ति-संवर्धित पीढ़ी
   • यादृच्छिक संख्या पीढ़ी
   • स्प्रेडशीट सूत्र
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