Classifier - K Nearest Neighbors

Overfitting pasa cuando:

• k es muy grabde asi que los outliers dominan el resultado

• k es muy pequeño asi que las tendencias mas grandes del dataset no son representadas

• k es muy pequeño asi que los outliers dominan el resultado

• k es muy grande asi que las tendencias mas grandes en el dataset no son representados

True/False: K-Nearest Neighbors puede trabajar con data con 1.000 features

• True

• False

En la siguiente imagen, K-nearest Neighbors clasificaria el signo "?" como un triangulo para cual numero de "k"?

• k=3 y k=5

• k=1 y k=3

• k=5 y k=7

• k=1 y k=5

Cual es un problema potencial si k es par?

• Podria haber un numero igual de vecinos cernanos para ambas clases

• La formula de distancia tendra que ser ajustada

• No se podria calcular la validacion del "accuracy"

• Usted no puede encontrar un numero par de vecinos (neighbors)

Cual es el vecino mas cercano al punto (1,2)

• (1, 0)

• (0,1)

• (1, 3)

• (3, 1)

Porque normalizar los datos es algo esencial para K-nearest neighbors?

• No es esencial

• Porque la distancia entre puntos es positiva

• Porque los features inusuales son removidos

• Porque un feature con una diferencia muy grande en escala dominara los otros features

Underfitting pasa cuando:

• k es muy grande asi que las grandes tendencias en el dataset no son representadas

• k es muy pequeño asi que los outliers dominan el resultado

• k es muy pequeño asi que las grandes tendencias en el dataset no son representadas

• k es muy grande asi que los outliers dominan el resultado

Que esperaria usted que pase con la validacion del "accuracy" de un clasificador K-nearest neighbors con k incrementandose desde 1 hasta infinito?

• La validacion del accuracy primero baja y despues sube

• La validacion del accuracy primero sube y despues baja

• La validacion del accuracy baja

• la validacion del accuracy sube

Como se define en K-nearest neghbors que dos puntos esten cerca uno del otro?

• Usando la formula de distancia usando todos los features de la data

• Comparando los features mas importantes de cada punto

• Usando la formula de distancia usando 3 features de la data

• Contando el numero de features que dos puntos comparten

La funcion .predict() de scikit learn de la clase KNeighborClassifier toma ______ como un parametro y retorna ______.

• Una lista de puntos de entrenamiento / una lista de predicciones

• Una lista de puntos a clasificar / una lista de predicciones

• Un unico punto a clasificar / una prediccion unica

• Un unico punto de entrenamiento / una prediccion unica