Quiz połączony z przewodnikiem · Średni Poziom

Quiz K-Najbliższych Sąsiadów

Obejmuje głosowanie sąsiadów, skalowanie funkcji, koszt przewidywania, wybór metryk i praktyczne kompromisy podczas przechowywania przykładów szkoleniowych.

Powiązane ścieżki prowadząceK Najbliżsi sąsiedzi
Pytanie 1 z 8

W jaki sposób KNN klasyfikuje nowy punkt danych?

Podgląd każdego pytania8 pytania

Odpowiedzi i wyjaśnienia pojawiają się w miarę rozwiązywania quizu.

  1. W jaki sposób KNN klasyfikuje nowy punkt danych?
    • Biorąc większość głosów swoich K najbliższych sąsiadów
    • Ucząc na nim sieć neuronową
    • Obliczając ważoną linię regresji
    • Przypisując losową klasę
  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. Dlaczego skalowanie funkcji jest ważne dla KNN?
    • Dzięki niemu trening staje się szybszy
    • Zmniejsza to liczbę potrzebnych sąsiadów
    • Zatem obiekty o dużych zasięgach nie dominują na dystansie
    • Zmienia K automatycznie
  4. Co się stanie, jeśli wybierzesz bardzo małe K, np. K=1?
    • Model staje się bardzo gładki
    • Model ignoruje dane
    • Przewidywania stają się niemożliwe
    • Model staje się wrażliwy na hałas i może się nadmiernie dopasować
  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. Która nowoczesna technologia opiera się na idei najbliższego sąsiada?
    • Kompresja obrazu za pomocą JPEG
    • Generowanie wspomagane wyszukiwaniem i wyszukiwaniem wektorowym
    • Generowanie liczb losowych
    • Formuły arkusza kalkulacyjnego
  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