Вікторина, пов’язана з посібником · Середній Рівень

K-тест «Найближчі сусіди».

Охоплює голосування сусідів, масштабування функцій, вартість передбачення, вибір метрики та практичні компроміси під час зберігання навчальних прикладів.

Пов'язані напрямні шляхиK Найближчі сусіди
Питання 1 з 8

Як KNN класифікує нову точку даних?

Перегляньте кожне запитання8 запитання

Відповіді та пояснення з’являються під час виконання тесту.

  1. Як KNN класифікує нову точку даних?
    • Отримавши більшість голосів K найближчих сусідів
    • Навчаючи на ньому нейронну мережу
    • Шляхом обчислення зваженої лінії регресії
    • Шляхом призначення випадкового класу
  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. Чому масштабування функцій важливо для KNN?
    • Це пришвидшує навчання
    • Це зменшує кількість необхідних сусідів
    • Тому елементи з великим діапазоном не домінують на відстані
    • Він автоматично змінює K
  4. Що станеться, якщо вибрати дуже маленьке K, наприклад K=1?
    • Модель стає дуже гладкою
    • Модель ігнорує дані
    • Прогнози стають неможливими
    • Модель стає чутливою до шуму і може перебиратися
  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. Яка сучасна технологія спирається на ідею найближчого сусіда?
    • Стиснення зображення за допомогою JPEG
    • Векторний пошук і доповнена генерація
    • Генерація випадкових чисел
    • Формули електронної таблиці
  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