Kuis terkait panduan · Sedang Tingkat

Kuis Tetangga Terdekat K

Meliputi pemungutan suara tetangga, penskalaan fitur, biaya prediksi, pilihan metrik, dan pengorbanan praktis saat menyimpan contoh pelatihan.

Jalur panduan terkaitK Tetangga Terdekat
Pertanyaan 1 dari 8

Bagaimana cara KNN mengklasifikasikan titik data baru?

Pratinjau setiap pertanyaan8 pertanyaan

Jawaban dan penjelasan muncul saat Anda mengikuti kuis.

  1. Bagaimana cara KNN mengklasifikasikan titik data baru?
    • Dengan mengambil suara mayoritas dari K tetangga terdekatnya
    • Dengan melatih jaringan saraf di dalamnya
    • Dengan menghitung garis regresi tertimbang
    • Dengan menetapkan kelas acak
  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. Mengapa penskalaan fitur penting bagi KNN?
    • Itu membuat pelatihan lebih cepat
    • Ini mengurangi jumlah tetangga yang dibutuhkan
    • Jadi fitur dengan rentang yang besar tidak mendominasi jarak
    • Ini mengubah K secara otomatis
  4. Apa yang terjadi jika Anda memilih K yang sangat kecil, seperti K=1?
    • Modelnya menjadi sangat halus
    • Model mengabaikan data
    • Prediksi menjadi mustahil
    • Model menjadi sensitif terhadap kebisingan dan mungkin overfit
  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. Teknologi modern manakah yang mengandalkan gagasan tetangga terdekat?
    • Kompresi gambar dengan JPEG
    • Pencarian vektor dan pengambilan-augmented generation
    • Pembuatan angka acak
    • Rumus lembar bentang
  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