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.

Percorsi guida correlatiK Vicini più vicini
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.

  1. 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
  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. 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
  4. 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
  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. 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
  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