 簡介如果你要問我兩個機器學習中最直觀明了且通俗易懂的算法——那必然就是K近鄰算法和基于樹的算法了。這兩個算法都易于理解，也很容易解釋，并且能夠很好地去向人們展示。最近，我們就針對這兩種算法，整理了一些測試題。 如果你是機器學習的新手，也要在理解這兩種算法的基礎上進行測試。它們雖然簡單，但是卻十分強大且被廣泛運用在工業(yè)領域。這些技能測試能夠幫助你測試你在K近鄰算法方面的技術能力。因為它們是為測試你在K近鄰算法上的基礎知識與應用能力而量身定制的。 有超過650人注冊參加考試。如果你錯過了這個測試也沒關系，下面就是測試的問題與答案。 技能測試試題與答案解析1）【True or False】KNN算法在測試時花費更多計算，而不是訓練時。 A） TRUE B）FALSE 答案：A 解析：算法的訓練階段僅包括存儲訓練樣本的特征向量和類標簽。 在測試階段，通過在最接近該查詢點的k個訓練樣本中分配最頻繁的標簽來對測試點進行分類——因此這方面計算更多。 2）下圖中，若使用K近鄰算法，最佳K值應在哪里取得？
A） 3 B）10 C） 20 D）50 答案：B 解析：當K為10時，驗證的錯誤率最低，所以K值應取10. 3）下圖哪種度量距離不能用于KNN算法？ A）Manhattan B）Minkowski C）Tanimoto D） Jaccard E）Mahalanobis F） 所有都可以 答案：F 解析：所有的度量距離都可以用于KNN。 4）關于KNN哪種觀點是對的？ A）它可以用于分類 B）它可以用于回歸 C）它可以用于分類和回歸 答案：C 解析：我們也可以使用KNN來解決回歸問題。在這種情況下，預測可以基于k個最相似實例的均值或中值。 5）下面關于KNN算法哪種說法是正確的？ 1.如果所有的數(shù)據(jù)是同樣的大小，KNN算法表現(xiàn)比較好 2.KNN算法適用于小數(shù)據(jù)輸入，而大量數(shù)據(jù)輸入時會遇到困難。 3.KNN算法并沒有對正在處理的問題的功能形式進行假設。 A）1和2 B）1和3 C）只有1 D）以上所有 答案：D 解析：以上所有的說法都是正確的 6）以下哪種機器學習算法可用于輸入分類和連續(xù)變量的缺失值？ A ）KNN B）線性回歸 C）邏輯回歸 答案：A 解析：k-NN算法可用于估算分類和連續(xù)變量的缺失值。 7）關于曼哈頓距離哪種觀點是對的？ A）它可以用于連續(xù)變量 B）它可以用于分類變量 C）兩者都可以 D）兩者都不可以 答案：A 解析：曼哈頓距離用于計算實值特征之間的距離。 8）對于k-NN中的分類變量，我們使用以下哪種距離測量？ 1.漢明距離 2.歐幾里得距離 3.曼哈頓距離 A）1 B）2 C）3 D）1和2 E ）2和3 F ）1和2和3 答案：A 解析：在連續(xù)變量的情況下使用歐幾里得距離和曼哈頓距離，而在分類變量的情況下使用漢明距離。 9）以下哪一項是歐幾里德距離算法下，兩個數(shù)據(jù)點A（1,3）和B（2,3）之間的距離？ A）1 B）2 C）4 D）8 答案：A 解析：sqrt( (1-2)^2 + (3-3)^2) = sqrt(1^2 + 0^2) = 1 10）以下哪一項將是曼哈頓距離算法下，兩個數(shù)據(jù)點A（1,3）和B（2,3）之間的距離？ A）1 B）2 C）4 D）8 答案：A 解析：sqrt( mod((1-2)) + mod((3-3))) = sqrt(1 + 0) = 1 11題，12題內(nèi)容 假設已經(jīng)給出了以下數(shù)據(jù)，其中x和y是兩個輸入變量，分類結(jié)果是因變量。
下面是散點圖，在二維空間里顯示上面的數(shù)據(jù)：
11）假設您想要使用KNN（K值為3）中的歐式距離預測新數(shù)據(jù)點x = 1和y = 1的類。那么這個數(shù)據(jù)點屬于哪個類？ A）+類 B）-類 C）不能確定 D）不是上面這些結(jié)果 答案：A 解析：所有三個最近點都是+類，所以這一點將被歸類為+ 類。 12）在上一個問題中，您現(xiàn)在想要使用7-NN而不是3-KNN，以下x = 1和y = 1屬于哪個類？ A）+類 B）-類 C）不能確定 答案：B 解析：現(xiàn)在這一點將被歸類為 - 類，因為有4個-類點和3個+類點在圓圈中。 13題，14題的內(nèi)容： 假設您已經(jīng)給出了以下2類數(shù)據(jù)，其中“+”表示正類，“-”表示負類。
13）在KNN中，下面哪個K值，可以值得交叉驗證的誤差值最??？ A）3 B）5 C）上面都可以 D）上面都不可以 答案：B 解析：K為5時，交叉驗證的誤差值最小。 14）下面哪個是K為5時，交叉驗證集的偏差？ A）2/14 B）4/14 C）6/14 D）8/14 E）以上都不是 答案：E 解析：K為5時，正確結(jié)果為10/14。 15）就偏差而言，關于K，下面哪個是正確的？ A）增加K時，偏差會增加 B）減小K時，偏差會增加 C）不能確定 D）以上都不對 答案：A 解析：大K意味著簡單的模型，簡單的模型總是有高偏差。 16）就方差而言，關于K，下面哪個是正確的？ A）增加K時，方差會增加 B）減小K時，方差會增加 C）不能確定 D）以上都不對 答案：B 解析：簡單的模型一般會有較小的方差。 17）通常我們在K-NN算法中使用了以下兩個距離（歐式距離和曼哈頓距離）。這些距離在兩個點A（x1，y1）和B（x2，Y2）之間。你的任務是通過查看以下兩個圖來標記兩個距離。關于下圖，以下哪個選項是正確的？
A）左邊是曼哈頓距離，右邊是歐幾里德距離 B）左邊是歐幾里德距離，右邊是曼哈頓距離 C）左邊或右邊都不是曼哈頓距離 D）左或右都不是歐幾里德距離 答案：B 解析：左邊是歐幾里德距離如何工作的圖形描述，而右邊是曼哈頓距離。 18）在KNN中發(fā)現(xiàn)有噪聲，你會做下面哪種選擇？ A）增加K的值 B）減小K的值 C）噪聲與K值無關 D）以上都不對 答案：A 解析：增加K值能夠讓你更加相信分類結(jié)果。 19）在KNN中，由于維度等原因，很容易產(chǎn)生過擬合。那么你會采用下面哪種方法來解決這個問題呢？ 1.維度降低 2.特征選擇 A）1 B）2 C）1和2 D）以上都不對 答案：C 解析：兩種方法都是可以的。 20）下面兩個陳述哪個是對的？ 1.KNN是一種基于記憶的方法，因為分類器在我們收集到新的數(shù)據(jù)時會立即適應。 2.在最壞的情況下，用于分類新樣本的計算復雜度隨著訓練數(shù)據(jù)集中的樣本數(shù)量線性增長。 A）1 B）2 C）1和2 D）以上都不對 答案：C 解析：兩個都是對的，顯而易見。 21）假設給出下面的圖像（左邊為1.中間為2，右邊為3），現(xiàn)在你的任務是找出每幅圖中的KNN中的K值，其中K1表示第一個K，K2表示第二個K，K3表示第三個K。
A) K1 > K2 > K3 B) K1 < K2 C) K1 = K2 = K3 D) None of these 答案：D 解析：K3是K值最高的，而最低的是K1。 22）下圖中哪個k 最少可以給出一個交叉驗證準確度？
A）1 B）2 C）3 D）5 答案：B 解析：如果k值為2，則它會提供最低的交叉驗證精度。 23）現(xiàn)在有一家公司建立了一個KNN分類器，可以在訓練數(shù)據(jù)時獲得100%的準確性。當他們在客戶端部署這個模型的時候發(fā)現(xiàn)這個模型一點都不準確，可能是下面哪一項出錯了？ 注：模型已經(jīng)成果部署，除了模型性能外，客戶端沒有發(fā)現(xiàn)其他技術問題。 A）它可能是一個過擬合了的模型 B）這個模型不適用 C）無法解釋 D）以上都不是 答案：A 解析：在一個過度擬合的模塊中，它可以在訓練數(shù)據(jù)上表現(xiàn)良好，但它并不足以推廣給新數(shù)據(jù)而達到同樣的結(jié)果。 24）下面兩個關于KNN的陳述，哪個是對的？ 1.在k值非常大的情況下，我們可以將來自其他類的點包括在鄰域中。 2.在k值太小的情況下，算法對噪聲非常敏感。 A）1 B）2 C）1和2 D）以上都不對 答案：C 解析：這兩個都是顯而易見的正確。 25）關于KNN分類器，下面哪個說法是正確的？ A）K值越大，分類的精度越高 B）使用較小的K值，決策邊界教平滑 C）決策邊界是線性的 D）KNN沒有明確的訓練步驟 答案：D 解析：選項A，并不總是這樣，K值不能太小，也不能太大； 選項B，C，決策邊界可能是有鋸齒狀的。 26）【True or False】能夠使用一個1-NN分類器去構(gòu)建一個2-NN分類器。 A） TRUE B）FALSE 答案：A 解析：可以通過集成1-NN分類器來實現(xiàn)2-NN分類器。 27）在k-NN中，當你增加/減少k的值時會發(fā)生什么？ A）隨著K值增加，決策邊界會更加平滑 B）隨著K值減小，決策邊界會更加平滑 C）決策邊界是否平滑與K值無關 D）以上都不對 答案：A 解析：增加K值，決策邊界會更加平滑 28）下面兩個關于KNN的陳述，哪個是對的？ 1.我們可以在交叉驗證的幫助下選擇k的最佳值。 2.歐幾里德距離將每個特征視為同等重要。 A）1 B）2 C）1和2 D）以上都不對 答案：C 解析：兩個說法都是正確的 29題，30題內(nèi)容 假設你已經(jīng)訓練好了KNN模型，現(xiàn)在你想要在測試集上進行預測。在測試之前，你想要計算KNN模型用于預測測試集的時間。 注：計算兩次觀察之間的距離需要花費時間D。 29）如果測試數(shù)據(jù)中有N（非常大）個觀測值，1-NN所需的時間是多少？ A ) NxD B ) NxDx2 C ) (NxD)/2 D ) 以上都不對 答案：A 解析：當N的值非常大時，計算每個觀測值時間就是N*D。 30）1-NN，2-NN，3-NN 所用時間之間的關系是什么？ A) 1-NN >2-NN >3-NN B) 1-NN < 2-NN < 3-NN C) 1-NN = 2-NN = 3-NN D) 以上都不對 答案：C 解析：每個K的訓練時間都是相同的。 總體分布下面是參加測試者的得分分布圖：
在分布圖中可見，超過250人進行了測試，最高分為24分。 |
|
|
