گائیڈ سے منسلک کوئز · درمیانہ سطح

K-قریب ترین پڑوسی کوئز

تربیتی مثالوں کو ذخیرہ کرتے وقت پڑوسی ووٹنگ، فیچر اسکیلنگ، پیشین گوئی کی لاگت، میٹرک انتخاب، اور عملی تجارت کا احاطہ کرتا ہے۔

متعلقہ گائیڈ کے راستےK قریب ترین پڑوسی
سوال 1 کی 8

KNN نئے ڈیٹا پوائنٹ کی درجہ بندی کیسے کرتا ہے؟

ہر سوال کا جائزہ لیں۔8 سوالات

جب آپ کوئز دیتے ہیں تو جوابات اور وضاحتیں ظاہر ہوتی ہیں۔

  1. KNN نئے ڈیٹا پوائنٹ کی درجہ بندی کیسے کرتا ہے؟
    • اپنے K قریبی پڑوسیوں کا اکثریتی ووٹ لے کر
    • اس پر نیورل نیٹ ورک کو تربیت دے کر
    • ایک وزنی ریگریشن لائن کو کمپیوٹنگ کرکے
    • بے ترتیب کلاس تفویض کرکے
  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. KNN کے لیے فیچر اسکیلنگ کیوں اہم ہے؟
    • یہ تربیت کو تیز تر بناتا ہے۔
    • یہ ضرورت پڑوسیوں کی تعداد کو کم کرتا ہے۔
    • لہذا بڑی رینج والی خصوصیات فاصلے پر حاوی نہیں ہوتی ہیں۔
    • یہ K خود بخود بدل جاتا ہے۔
  4. کیا ہوتا ہے اگر آپ ایک بہت چھوٹا K منتخب کرتے ہیں، جیسے K=1؟
    • ماڈل بہت ہموار ہو جاتا ہے۔
    • ماڈل ڈیٹا کو نظر انداز کرتا ہے۔
    • پیشین گوئیاں ناممکن ہو جاتی ہیں۔
    • ماڈل شور کے لیے حساس ہو جاتا ہے اور زیادہ فٹ ہو سکتا ہے۔
  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. کون سی جدید ٹیکنالوجی قریب ترین پڑوسی کے خیال پر انحصار کرتی ہے؟
    • JPEG کے ساتھ امیج کمپریشن
    • ویکٹر کی تلاش اور بازیافت سے بڑھی ہوئی نسل
    • بے ترتیب تعداد پیدا کرنا
    • اسپریڈشیٹ فارمولے
  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