Questionário vinculado ao guia · Médio Nível

Questionário K-vizinhos mais próximos

Abrange votação de vizinhos, dimensionamento de recursos, custo de previsão, escolha de métricas e compensações práticas ao armazenar exemplos de treinamento.

Caminhos de guia relacionadosK vizinhos mais próximos
Pergunta 1 de 8

Como o KNN classifica um novo ponto de dados?

Visualize cada pergunta8 perguntas

As respostas e explicações aparecem conforme você responde ao teste.

  1. Como o KNN classifica um novo ponto de dados?
    • Ao obter uma votação majoritária de seus K vizinhos mais próximos
    • Treinando uma rede neural nele
    • Calculando uma linha de regressão ponderada
    • Atribuindo uma classe aleatória
  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. Por que o dimensionamento de recursos é importante para KNN?
    • Torna o treinamento mais rápido
    • Reduz o número de vizinhos necessários
    • Portanto, recursos com grandes alcances não dominam a distância
    • Ele muda K automaticamente
  4. O que acontece se você escolher um K muito pequeno, como K=1?
    • O modelo fica muito suave
    • O modelo ignora os dados
    • As previsões tornam-se impossíveis
    • O modelo se torna sensível ao ruído e pode se ajustar demais
  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. Qual tecnologia moderna depende da ideia do vizinho mais próximo?
    • Compressão de imagem com JPEG
    • Pesquisa vetorial e geração aumentada de recuperação
    • Geração de números aleatórios
    • Fórmulas de planilha
  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