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.

Kapcsolódó útmutató utakK Legközelebbi szomszédok
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.

  1. 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
  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. 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
  4. 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
  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. Melyik modern technológia támaszkodik a legközelebbi szomszéd ötletére?
    • Képtömörítés JPEG-vel
    • Vektoros kereséssel és visszakereséssel bővített generáció
    • Véletlenszám generálás
    • Táblázatképletek
  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