Gids-gekoppelde quiz · Middelmatig Niveau

K-dichtstbijzijnde burenquiz

Behandelt het stemmen door buren, het schalen van functies, de kosten van voorspelling, metrische keuze en praktische afwegingen bij het opslaan van trainingsvoorbeelden.

Gerelateerde gidspadenK Dichtstbijzijnde buren
Vraag 1 van 8

Hoe classificeert KNN een nieuw datapunt?

Bekijk elke vraag8 vragen

Antwoorden en uitleg verschijnen terwijl je de quiz doet.

  1. Hoe classificeert KNN een nieuw datapunt?
    • Door een meerderheid van stemmen te nemen van de K naaste buren
    • Door er een neuraal netwerk op te trainen
    • Door een gewogen regressielijn te berekenen
    • Door een willekeurige klasse toe te wijzen
  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. Waarom is functieschaling belangrijk voor KNN?
    • Het maakt het trainen sneller
    • Het vermindert het aantal benodigde buren
    • Objecten met een groot bereik domineren dus niet de afstand
    • Het verandert K automatisch
  4. Wat gebeurt er als je een heel kleine K kiest, zoals K=1?
    • Het model wordt erg glad
    • Het model negeert de gegevens
    • Voorspellingen worden onmogelijk
    • Het model wordt gevoelig voor ruis en kan overfit raken
  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. Welke moderne technologie is gebaseerd op het idee van de dichtstbijzijnde buur?
    • Beeldcompressie met JPEG
    • Uitgebreide generatie voor zoeken en ophalen van vectoren
    • Generatie van willekeurige getallen
    • Spreadsheetformules
  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