Câu đố về hàng xóm gần nhất của K

Câu trả lời và giải thích xuất hiện khi bạn làm bài kiểm tra.

1. KNN phân loại điểm dữ liệu mới như thế nào?
   • Bằng cách lấy đa số phiếu bầu của K hàng xóm gần nhất
   • Bằng cách đào tạo một mạng lưới thần kinh trên đó
   • Bằng cách tính toán đường hồi quy có trọng số
   • Bằng cách chỉ định một lớp ngẫu nhiên
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. Tại sao việc chia tỷ lệ tính năng lại quan trọng đối với KNN?
   • Nó làm cho việc đào tạo nhanh hơn
   • Nó làm giảm số lượng hàng xóm cần thiết
   • Vì vậy, các tính năng có phạm vi lớn không chiếm ưu thế về khoảng cách
   • Nó tự động thay đổi K
4. Điều gì xảy ra nếu bạn chọn một K rất nhỏ, như K=1?
   • Mô hình trở nên rất mượt mà
   • Mô hình bỏ qua dữ liệu
   • Dự đoán trở nên không thể
   • Mô hình trở nên nhạy cảm với tiếng ồn và có thể bị quá khớp
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. Công nghệ hiện đại nào dựa trên ý tưởng láng giềng gần nhất?
   • Nén hình ảnh bằng JPEG
   • Thế hệ tăng cường tìm kiếm và truy xuất vectơ
   • Tạo số ngẫu nhiên
   • Công thức bảng tính
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