가이드 연계 퀴즈 · 중간 레벨

K-최근접 이웃 퀴즈

학습 예제를 저장할 때 이웃 투표, 기능 확장, 예측 비용, 측정항목 선택 및 실질적인 장단점을 다룹니다.

관련 가이드 경로K 최근접이웃
질문 1 의 8

KNN은 새로운 데이터 포인트를 어떻게 분류합니까?

모든 질문 미리보기8 질문

퀴즈를 풀면 정답과 설명이 나타납니다.

  1. KNN은 새로운 데이터 포인트를 어떻게 분류합니까?
    • K개의 가장 가까운 이웃의 과반수 투표를 통해
    • 신경망을 훈련함으로써
    • 가중 회귀선을 계산하여
    • 무작위 클래스를 할당하여
  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. KNN에서 기능 확장이 중요한 이유는 무엇입니까?
    • 훈련 속도가 빨라집니다
    • 필요한 이웃 수를 줄입니다.
    • 따라서 넓은 범위를 가진 특징은 거리를 지배하지 않습니다.
    • K가 자동으로 변경됩니다.
  4. K=1처럼 아주 작은 K를 선택하면 어떻게 될까요?
    • 모델이 매우 매끄러워집니다.
    • 모델이 데이터를 무시함
    • 예측이 불가능해진다
    • 모델이 노이즈에 민감해지고 과적합될 수 있습니다.
  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. 가장 가까운 이웃 아이디어에 의존하는 현대 기술은 무엇입니까?
    • JPEG로 이미지 압축
    • 벡터 검색 및 검색 증강 생성
    • 난수 생성
    • 스프레드시트 수식
  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