Útmutatóhoz kapcsolódó kvíz · Közepes Szint
K-Legközelebbi szomszédok kvíz
Covers neighbor voting, feature scaling, the cost of prediction, metric choice, and practical tradeoffs when storing training examples.
kérdés 1 -ból 8
Hogyan osztályozza a KNN egy új adatpontot?
Tekintse meg az összes kérdést8 kérdéseket
A válaszok és magyarázatok megjelennek a kvíz kitöltésekor.
- Hogyan osztályozza a KNN egy új adatpontot?
- Azáltal, hogy többségi szavazatot vesz a K legközelebbi szomszédai közül
- Neurális hálózat képzésével
- Súlyozott regressziós egyenes kiszámításával
- Véletlenszerű osztály hozzárendelésével
- 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
- Miért fontos a funkcióméretezés a KNN számára?
- Gyorsítja az edzést
- Csökkenti a szükséges szomszédok számát
- Így a nagy hatótávolságú jellemzők nem uralják a távolságot
- Automatikusan megváltoztatja a K-t
- Mi történik, ha egy nagyon kicsi K-t választasz, például K=1?
- A modell nagyon sima lesz
- A modell figyelmen kívül hagyja az adatokat
- A jóslatok lehetetlenné válnak
- A modell érzékeny lesz a zajra, és túlilleszkedhet
- 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
- Melyik modern technológia támaszkodik a legközelebbi szomszéd ötletére?
- Képtömörítés JPEG-vel
- Vektoros kereséssel és visszakereséssel bővített generáció
- Véletlenszám generálás
- Táblázatképletek
- 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
- 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