Quiz collegato alla guida · Medio Livello
K-Quiz sui vicini più vicini
Copre il voto dei vicini, il ridimensionamento delle funzionalità, il costo della previsione, la scelta della metrica e i compromessi pratici durante l'archiviazione degli esempi di formazione.
Domanda 1 di 8
Come fa KNN a classificare un nuovo punto dati?
Anteprima di ogni domanda8 domande
Le risposte e le spiegazioni vengono visualizzate mentre rispondi al quiz.
- Come fa KNN a classificare un nuovo punto dati?
- Prendendo il voto della maggioranza dei suoi vicini più prossimi
- Addestrando una rete neurale su di esso
- Calcolando una retta di regressione ponderata
- Assegnando una classe casuale
- 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
- Perché il ridimensionamento delle funzionalità è importante per KNN?
- Rende l'allenamento più veloce
- Riduce il numero di vicini necessari
- Quindi le caratteristiche con ampie gamme non dominano la distanza
- Cambia K automaticamente
- Cosa succede se scegli un K molto piccolo, come K=1?
- Il modello diventa molto liscio
- Il modello ignora i dati
- Le previsioni diventano impossibili
- Il modello diventa sensibile al rumore e potrebbe adattarsi eccessivamente
- 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
- Quale tecnologia moderna si basa sull’idea del vicino più vicino?
- Compressione delle immagini con JPEG
- Ricerca vettoriale e generazione aumentata di recupero
- Generazione di numeri casuali
- Formule del foglio di calcolo
- 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