Викторина, связанная с руководством · Средний Уровень

K-Викторина о ближайших соседях

Охватывает голосование соседей, масштабирование функций, стоимость прогнозирования, выбор метрик и практические компромиссы при хранении обучающих примеров.

Связанные направляющие путиK Ближайшие соседи
Вопрос 1 из 8

Как KNN классифицирует новую точку данных?

Предварительный просмотр каждого вопроса8 вопросы

Ответы и пояснения появляются по мере прохождения теста.

  1. Как KNN классифицирует новую точку данных?
    • Получив большинство голосов от K ближайших соседей
    • Обучив на нем нейронную сеть
    • Путем вычисления линии взвешенной регрессии
    • Назначая случайный класс
  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. Почему масштабирование функций важно для KNN?
    • Это ускоряет обучение
    • Это уменьшает количество необходимых соседей.
    • Таким образом, объекты с большими диапазонами не доминируют на расстоянии.
    • Он автоматически меняет K
  4. Что произойдет, если вы выберете очень маленькое значение K, например K=1?
    • Модель становится очень гладкой.
    • Модель игнорирует данные
    • Прогнозы становятся невозможными
    • Модель становится чувствительной к шуму и может переобуться.
  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. Какая современная технология опирается на идею ближайшего соседа?
    • Сжатие изображений с помощью JPEG
    • Генерация векторного поиска и расширенного поиска
    • Генерация случайных чисел
    • Формулы электронных таблиц
  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