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.
Vraag 1 van 8
Hoe classificeert KNN een nieuw datapunt?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- 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
- 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
- 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
- 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
- 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
- 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
- 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