Открытый опрос по основам машинного обучения (KNN)

Чтобы сделать самостоятельное изучение машинного обучения еще более интересным, сегодня мы предлагаем вам общий комплексный тест по основам машинного обучения. В данном тесте проверим знания по такой теме как KNN.

Открытый опрос по основам машинного обучения (KNN)

Выбирайте из предложенных вариантов тот, который считаете верным. Правильный ответ с объяснением вы узнаете после того, как нажмете кнопку ОТПРАВИТЬ. Успехов!

1. Как предпочтительно выбирать значение k в методе k ближайших соседей?

 Значение k выбирается случайным образом.

 Значение k выбирается на основе кросс-валидации.

 Значение k не имеет значения.

 Значение k выбирается на основе экспертного мнения.

2. Что такое метод k ближайших соседей?

 Метод вычисления статистических показателей.

 Метод машинного обучения для классификации и регрессии данных.

 Метод градиентного спуска.

 Метод оптимизации функций.

3. Какова сложность алгоритма поиска k ближайших соседей?

 O(n^2).

 O(n).

 O(log n).

 O(n log n).

4. Каким образом выбираются веса для взвешенного метода k ближайших соседей?

 Задается вручную.

 Используется расстояние до каждого ближайшего соседа.

 Используется расстояние до каждого ближайшего соседа и их классы.

 Используется расстояние до каждого ближайшего соседа и их порядковый номер.

5. Какова максимальная точность, которую можно достичь с помощью метода k ближайших соседей?

 50%.

 90%.

 70%.

 Точность не ограничена.

6. В чем заключается проблема проклятия размерности в методе k ближайших соседей?

 Проблема проклятия размерности не относится к методу k ближайших соседей.

 Увеличение размерности приводит к увеличению числа примеров в обучающем наборе.

 Увеличение размерности приводит к увеличению времени поиска ближайших соседей.

 Увеличение размерности приводит к увеличению ошибки модели.

7. Каким образом можно уменьшить влияние выбросов непосредственно при обучении модели машинного обучения методом k ближайших соседей?

 Использовать взвешенный метод k ближайших соседей, где вес каждого ближайшего соседа зависит от расстояния до нового примера.

 Использовать алгоритмы кластеризации для определения выбросов и исключения их из обучающего набора.

 Использовать метрики расстояния, устойчивые к выбросам, например, манхэттенское расстояние.

 Уменьшить значение k.

8. Какой алгоритм используется для поиска k ближайших соседей?

 Жадный алгоритм.

 Алгоритм Беллмана-Форда.

 Алгоритм поиска ближайших соседей.

 Алгоритм Дейкстры.

9. Что такое евклидово расстояние в методе k ближайших соседей?

 Математическое ожидание расстояния.

 Расстояние между двумя линиями.

 Расстояние между точками на карте.

 Мера сходства между двумя примерами.

10. Каким образом можно использовать метод k ближайших соседей для задачи классификации?

 Выбрать k на основе минимального расстояния до k ближайших соседей и отнести объект к классу, который наиболее часто встречается среди k ближайших соседей.

 Использовать метод k ближайших соседей только для задач регрессии.

 Выбрать k на основе максимального расстояния до k ближайших соседей и отнести объект к классу, который наиболее часто встречается среди k ближайших соседей.

 Нельзя использовать метод k ближайших соседей для задачи классификации.

 Загрузка …

Стоит отметить, что данный тест не является профессиональным экзаменом. Однако, такое небольшое упражнение поможет новичкам, которые самостоятельно изучают машинное обучение, пытаясь разобраться с огромным объемом новой информации, систематизировать ее и применить к решению практических задач.

Если вы заинтересованы в изучении машинного обучения на языке Python и хотите быть в курсе последних методов и инструментов, мы рекомендуем посетить наш лицензированный учебный центр в Москве, который специализируется на обучении ИТ-специалистов. Там вы сможете пройти практический курс «Машинное обучение на Python«.

Записаться на курс

Смотреть раcписание