機器學(xué)習(xí)中使用kNN算法的問題有哪些

這篇文章主要講解了“機器學(xué)習(xí)中使用kNN算法的問題有哪些”，文中的講解內(nèi)容簡單清晰，易于學(xué)習(xí)與理解，下面請大家跟著小編的思路慢慢深入，一起來研究和學(xué)習(xí)“機器學(xué)習(xí)中使用kNN算法的問題有哪些”吧！

技能測試問答

1） k-NN算法在測試時間而不是訓(xùn)練時間上進行了更多的計算。

A）真 B）假

解決方案：A

該算法的訓(xùn)練階段僅包括存儲訓(xùn)練樣本的特征向量和類別標(biāo)簽。

在測試階段，通過分配最接近該查詢點的k個訓(xùn)練樣本中最頻繁使用的標(biāo)簽來對測試點進行分類——因此需要更高的計算量。

2）假設(shè)你使用的算法是k最近鄰算法，在下面的圖像中，____將是k的最佳值。

A） 3 B） 10 C） 20 D） 50 解決方案：B

當(dāng)k的值為10時，驗證誤差最小。

3）在k-NN中不能使用以下哪個距離度量？

A) Manhattan B) Minkowski C) Tanimoto D) Jaccard E) Mahalanobis F）都可以使用

解決方案：F

所有這些距離度量都可以用作k-NN的距離度量。

4）關(guān)于k-NN算法，以下哪個選項是正確的？

A）可用于分類 B）可用于回歸 C）可用于分類和回歸

解決方案：C

我們還可以將k-NN用于回歸問題。在這種情況下，預(yù)測可以基于k個最相似實例的均值或中位數(shù)。

5）關(guān)于k-NN算法，以下哪個陳述是正確的？

1. 如果所有數(shù)據(jù)的比例均相同，則k-NN的效果會更好

2. k-NN在少數(shù)輸入變量（p）下工作良好，但在輸入數(shù)量很大時會遇到困難

3. k-NN對所解決問題的函數(shù)形式?jīng)]有任何假設(shè)

A）1和2 B）1和3 C）僅1 D）以上所有

解決方案：D

以上陳述是kNN算法的假設(shè)

6）下列哪種機器學(xué)習(xí)算法可用于估算分類變量和連續(xù)變量的缺失值？

A）K-NN B）線性回歸 C）Logistic回歸

解決方案：A

k-NN算法可用于估算分類變量和連續(xù)變量的缺失值。

7）關(guān)于曼哈頓距離，以下哪項是正確的？

A）可用于連續(xù)變量 B）可用于分類變量 C）可用于分類變量和連續(xù)變量 D）無

解決方案：A

曼哈頓距離是為計算實際值特征之間的距離而設(shè)計的。

8）對于k-NN中的分類變量，我們使用以下哪個距離度量？

1. 漢明距離

2. 歐氏距離

3. 曼哈頓距離

A）1 B）2 C）3 D）1和2 E）2和3 F）1,2和3

解決方案：A

在連續(xù)變量的情況下使用歐氏距離和曼哈頓距離，而在分類變量的情況下使用漢明距離。

9）以下哪個是兩個數(shù)據(jù)點A（1,3）和B（2,3）之間的歐幾里得距離？

A）1 B）2 C）4 D）8

解決方案：A

sqrt（（1-2）^ 2 +（3-3）^ 2）= sqrt（1 ^ 2 + 0 ^ 2）= 1

10）以下哪個是兩個數(shù)據(jù)點A（1,3）和B（2,3）之間的曼哈頓距離？

A）1 B）2 C）4 D）8

解決方案：A

sqrt（mod（（1-2））+ mod（（3-3）））= sqrt（1 + 0）= 1

內(nèi)容：11-12

假設(shè)你給出了以下數(shù)據(jù)，其中x和y是2個輸入變量，而Class是因變量。

以下是散點圖，顯示了2D空間中的上述數(shù)據(jù)。

11）假設(shè)你要使用3-NN中的歐氏距離來預(yù)測新數(shù)據(jù)點x = 1和y = 1的類別。該數(shù)據(jù)點屬于哪個類別？

A）+ 類 B）– 類 C）不能判斷 D）這些都不是

解決方案：A

所有三個最近點均為 + 類，因此此點將歸為+ 類。

12）在上一個問題中，你現(xiàn)在要使用7-NN而不是3-KNN，以下x = 1和y = 1屬于哪一個？

A）+ 類 B）– 類

C）不能判斷

解決方案：B

現(xiàn)在，此點將歸類為 – 類，因為在最近的圓圈中有4個 – 類點和3個 + 類點。

內(nèi)容13-14：

假設(shè)你提供了以下2類數(shù)據(jù)，其中“+”代表正類，“-”代表負(fù)類。

13）k-NN中k的以下哪個k值會最小化留一法交叉驗證的準(zhǔn)確性？

A）3 B）5 C）兩者都相同 D）沒有一個

解決方案：B

5-NN將至少留下一個交叉驗證錯誤。

14）以下哪一項是k = 5時不進行交叉驗證的準(zhǔn)確性？

A）2/14 B）4/14 C）6/14 D）8/14 E）以上都不是

解決方案：E

在5-NN中，我們將有10/14的交叉驗證精度。

15）關(guān)于k-NN中的k，根據(jù)偏差，以下哪一項是正確的？

A）當(dāng)你增加k時，偏差會增加 B）當(dāng)你減少k時，偏差會增加 C）不能判斷 D）這些都不是

解決方案：A

大K表示簡單模型，簡單模型始終被視為高偏差

16）關(guān)于方差k-NN中的k，以下哪一項是正確的？

A）當(dāng)你增加k時，方差會增加 B）當(dāng)你減少k時，方差會增加 C）不能判斷 D）這些都不是

解決方案：B

簡單模型將被視為方差較小模型

17）以下兩個距離（歐幾里得距離和曼哈頓距離）已經(jīng)給出，我們通常在K-NN算法中使用這兩個距離。這些距離在點A（x1，y1）和點B（x2，Y2）之間。

你的任務(wù)是通過查看以下兩個圖形來標(biāo)記兩個距離。關(guān)于下圖，以下哪個選項是正確的？

A）左為曼哈頓距離，右為歐幾里得距離 B）左為歐幾里得距離，右為曼哈頓距離 C）左或右都不是曼哈頓距離 D）左或右都不是歐幾里得距離 解決方案：B

左圖是歐幾里得距離的工作原理，右圖是曼哈頓距離。

18）當(dāng)你在數(shù)據(jù)中發(fā)現(xiàn)噪聲時，你將在k-NN中考慮以下哪個選項？

A）我將增加k的值 B）我將減少k的值 C）噪聲不能取決于k D）這些都不是

解決方案：A

為了確保你進行的分類，你可以嘗試增加k的值。

19）在k-NN中，由于維數(shù)的存在，很可能過度擬合。你將考慮使用以下哪個選項來解決此問題？

1. 降維

2. 特征選擇

A）1 B）2 C）1和2 D）這些都不是

解決方案：C

在這種情況下，你可以使用降維算法或特征選擇算法

20）以下是兩個陳述。以下兩個陳述中哪一項是正確的？

1. k-NN是一種基于記憶的方法，即分類器會在我們收集新的訓(xùn)練數(shù)據(jù)時立即進行調(diào)整。

2. 在最壞的情況下，新樣本分類的計算復(fù)雜度隨著訓(xùn)練數(shù)據(jù)集中樣本數(shù)量的增加而線性增加。

A）1 B）2 C）1和2 D）這些都不是

解決方案：C

21）假設(shè)你給出了以下圖像（左1，中2和右3），現(xiàn)在你的任務(wù)是在每個圖像中找出k-NN的k值，其中k1代表第1個圖，k2代表第2個圖，k3是第3個圖。

A）k1 > k2 > k3 B）k1 < k2 C）k1 = k2 = k3 D）這些都不是

解決方案：D

k值在k3中最高，而在k1中則最低

22）在下圖中，下列哪一個k值可以給出最低的留一法交叉驗證精度？

A）1 B）2 C）3 D）5 解決方案：B

如果將k的值保持為2，則交叉驗證的準(zhǔn)確性最低。你可以自己嘗試。

23）一家公司建立了一個kNN分類器，該分類器在訓(xùn)練數(shù)據(jù)上獲得100％的準(zhǔn)確性。當(dāng)他們在客戶端上部署此模型時，發(fā)現(xiàn)該模型根本不準(zhǔn)確。以下哪項可能出錯了？

注意：模型已成功部署，除了模型性能外，在客戶端沒有發(fā)現(xiàn)任何技術(shù)問題

A）可能是模型過擬合 B）可能是模型未擬合 C）不能判斷 D）這些都不是

解決方案：A

在一個過擬合的模塊中，它似乎會在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好，但它還不夠普遍，無法在新數(shù)據(jù)上給出相同的結(jié)果。

24）你給出了以下2條語句，發(fā)現(xiàn)在k-NN情況下哪個選項是正確的？

1. 如果k的值非常大，我們可以將其他類別的點包括到鄰域中。

2. 如果k的值太小，該算法會對噪聲非常敏感

A）1 B）2 C）1和2 D）這些都不是

解決方案：C

這兩個選項都是正確的，并且都是不言而喻的。

25）對于k-NN分類器，以下哪個陳述是正確的？

A） k值越大，分類精度越好

B） k值越小，決策邊界越光滑

C） 決策邊界是線性的

D） k-NN不需要顯式的訓(xùn)練步驟

解決方案：D

選項A：并非總是如此。你必須確保k的值不要太高或太低。

選項B：此陳述不正確。決策邊界可能有些參差不齊

選項C：與選項B相同

選項D：此說法正確

26）判斷題：可以使用1-NN分類器構(gòu)造2-NN分類器嗎？

A）真 B）假

解決方案：A

你可以通過組合1-NN分類器來實現(xiàn)2-NN分類器

27）在k-NN中，增加/減少k值會發(fā)生什么？

A） K值越大，邊界越光滑

B） 隨著K值的減小，邊界變得更平滑

C） 邊界的光滑性與K值無關(guān)

D） 這些都不是

解決方案：A

通過增加K的值，決策邊界將變得更平滑

28）以下是針對k-NN算法給出的兩條陳述，其中哪一條是真的？

1. 我們可以借助交叉驗證來選擇k的最優(yōu)值

2. 歐氏距離對每個特征一視同仁

A）1 B）2 C）1和2 D）這些都不是

解決方案：C

兩種說法都是正確的

內(nèi)容29-30：假設(shè)你已經(jīng)訓(xùn)練了一個k-NN模型，現(xiàn)在你想要對測試數(shù)據(jù)進行預(yù)測。在獲得預(yù)測之前，假設(shè)你要計算k-NN用于預(yù)測測試數(shù)據(jù)類別的時間。

注意：計算兩個觀測值之間的距離將花費時間D。

29）如果測試數(shù)據(jù)中有N（非常大）的觀測值，則1-NN將花費多少時間？

A）N * D B）N * D * 2 C）（N * D）/ 2 D）這些都不是

解決方案：A

N的值非常大，因此選項A是正確的

30）1-NN，2-NN，3-NN所花費的時間之間是什么關(guān)系。

A）1-NN > 2-NN > 3-NN B）1-NN < 2-NN < 3-NN C）1-NN ~ 2-NN ~ 3-NN D）這些都不是

解決方案：C

在kNN算法中，任何k值的訓(xùn)練時間都是相同的。

總體分布

以下是參與者的分?jǐn)?shù)分布：

感謝各位的閱讀，以上就是“機器學(xué)習(xí)中使用kNN算法的問題有哪些”的內(nèi)容了，經(jīng)過本文的學(xué)習(xí)后，相信大家對機器學(xué)習(xí)中使用kNN算法的問題有哪些這一問題有了更深刻的體會，具體使用情況還需要大家實踐驗證。這里是億速云，小編將為大家推送更多相關(guān)知識點的文章，歡迎關(guān)注！