ガイド連動クイズ · 中 レベル

K 最近隣クイズ

近隣投票、特徴のスケーリング、予測のコスト、メトリックの選択、トレーニング サンプルを保存する際の実際的なトレードオフについて説明します。

関連するガイドパスK 最近隣者
質問 1 の 8

KNN は新しいデータ ポイントをどのように分類しますか?

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. KNN は新しいデータ ポイントをどのように分類しますか?
    • K 個の最も近い近隣諸国の過半数の投票を取ることによって
    • ニューラルネットワークを訓練することで
    • 加重回帰直線を計算することにより
    • ランダムなクラスを割り当てることで
  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. KNN にとって機能スケーリングが重要なのはなぜですか?
    • トレーニングが速くなります
    • 必要な近隣ノードの数が減ります
    • したがって、範囲が広いフィーチャが距離を支配することはありません
    • Kを自動で変更します
  4. K=1 のような非常に小さな K を選択するとどうなるでしょうか?
    • モデルは非常に滑らかになります
    • モデルはデータを無視します
    • 予測が不可能になる
    • モデルはノイズの影響を受けやすくなり、過剰適合する可能性があります
  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. 最近のテクノロジーで最近隣の考え方に依存しているのはどれですか?
    • JPEGによる画像圧縮
    • ベクトル検索と取得の拡張生成
    • 乱数の生成
    • スプレッドシートの数式
  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