Rehber bağlantılı sınav · Orta Seviye

K-En Yakın Komşular Testi

Eğitim örneklerini saklarken komşu oylamayı, özellik ölçeklendirmeyi, tahmin maliyetini, metrik seçimini ve pratik ödünleşimleri kapsar.

İlgili kılavuz yollarıK En Yakın Komşular
Soru 1 arasında 8

KNN yeni bir veri noktasını nasıl sınıflandırır?

Her soruyu önizleyin8 sorular

Testi çözdüğünüzde cevaplar ve açıklamalar görünür.

  1. KNN yeni bir veri noktasını nasıl sınıflandırır?
    • En yakın K komşusunun çoğunluk oyu alarak
    • Üzerinde bir sinir ağı eğiterek
    • Ağırlıklı bir regresyon çizgisi hesaplayarak
    • Rastgele bir sınıf atayarak
  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. Özellik ölçeklendirme KNN için neden önemlidir?
    • Eğitimi daha hızlı hale getirir
    • İhtiyaç duyulan komşu sayısını azaltır
    • Yani geniş aralıklara sahip özellikler mesafeye hakim değildir
    • K'yi otomatik olarak değiştirir
  4. K=1 gibi çok küçük bir K seçerseniz ne olur?
    • Model çok pürüzsüz hale geliyor
    • Model verileri yok sayıyor
    • Tahminler imkansız hale geliyor
    • Model gürültüye karşı duyarlı hale gelir ve fazla sığabilir
  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. Hangi modern teknoloji en yakın komşu fikrine dayanıyor?
    • JPEG ile görüntü sıkıştırma
    • Vektör arama ve almayla artırılmış nesil
    • Rastgele sayı üretimi
    • Elektronik tablo formülleri
  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