แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ

แบบทดสอบเพื่อนบ้าน K-ที่ใกล้ที่สุด

ครอบคลุมการโหวตจากเพื่อนบ้าน การปรับขนาดคุณสมบัติ ค่าใช้จ่ายในการคาดการณ์ ตัวเลือกหน่วยเมตริก และข้อดีข้อเสียในทางปฏิบัติเมื่อจัดเก็บตัวอย่างการฝึกอบรม

เส้นทางแนะนำที่เกี่ยวข้องK เพื่อนบ้านที่ใกล้ที่สุด
คำถาม 1 ของ 8

KNN จำแนกจุดข้อมูลใหม่อย่างไร

ดูตัวอย่างทุกคำถาม8 คำถาม

คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ

  1. KNN จำแนกจุดข้อมูลใหม่อย่างไร
    • โดยการใช้คะแนนเสียงข้างมากของ K เพื่อนบ้านที่ใกล้ที่สุด
    • โดยการฝึกโครงข่ายประสาทเทียมนั้น
    • โดยการคำนวณเส้นถดถอยถ่วงน้ำหนัก
    • โดยการสุ่มเลือกคลาส
  2. เหตุใด KNN จึงมักถูกเรียกว่า "ผู้เรียนที่ขี้เกียจ"
    • 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. เหตุใดการปรับขนาดคุณสมบัติจึงมีความสำคัญสำหรับ KNN
    • ทำให้การฝึกเร็วขึ้น
    • จะช่วยลดจำนวนเพื่อนบ้านที่ต้องการ
    • ดังนั้นจุดสนใจที่มีช่วงกว้างจึงไม่ครอบคลุมระยะทาง
    • มันเปลี่ยน K โดยอัตโนมัติ
  4. จะเกิดอะไรขึ้นหากคุณเลือก K ที่น้อยมาก เช่น K=1
    • แบบจำลองมีความราบรื่นมาก
    • โมเดลจะละเว้นข้อมูล
    • การคาดการณ์กลายเป็นไปไม่ได้
    • โมเดลมีความไวต่อเสียงรบกวนและอาจพอดีเกินไป
  5. ในการใช้งาน KNN แบบเดรัจฉาน เหตุใดการคาดการณ์จึงช้าในชุดข้อมูลขนาดใหญ่
    • 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. เทคโนโลยีสมัยใหม่ใดอาศัยแนวคิดเพื่อนบ้านที่ใกล้ที่สุด?
    • การบีบอัดภาพด้วย JPEG
    • การค้นหาเวกเตอร์และการดึงข้อมูลแบบเสริม
    • การสร้างตัวเลขสุ่ม
    • สูตรสเปรดชีต
  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