测试使用K-最近邻（kNN）算法的30个问题

作者|SUNIL RAY 编译|Flin 来源|analyticsvidhya

介绍

如果你要问我机器学习中2种最直观的算法——那就是k最近邻（kNN）和基于树的算法。两者都易于理解，易于解释，并且很容易向人们展示。有趣的是，上个月我们对这两种算法进行了技能测试。

如果你不熟悉机器学习，请确保在了解这两种算法的基础上进行测试。它们虽然简单，但是功能强大，并且在工业中得到广泛使用。此技能测试将帮助你在k最近邻算法上进行自我测试。它是专为你测试有关kNN及其应用程序的知识而设计的。

超过650人注册了该测试。如果你是错过这项技能测试的人之一，那么这篇文章是测试问题和解决方案。这是参加考试的参与者的排行榜。

• https://datahack.analyticsvidhya.com/contest/skilltest-k-nearest-neighbor-knn/#LeaderBoard

有用的资源

这里有一些资源可以深入了解该主题。

• 机器学习算法的基本知识（带有Python和R代码）：R语言进行Logistic回归的简单指南
  • https://www.analyticsvidhya.com/blog/2017/09/common-machine-learning-algorithms/
• K-最近邻（kNN）算法
  • https://www.analyticsvidhya.com/blog/2018/03/introduction-k-neighbours-algorithm-clustering/

技能测试问答

1） k-NN算法在测试时间而不是训练时间上进行了更多的计算。

A）真 B）假

解决方案：A

该算法的训练阶段仅包括存储训练样本的特征向量和类别标签。

在测试阶段，通过分配最接近该查询点的k个训练样本中最频繁使用的标签来对测试点进行分类——因此需要更高的计算量。

2）假设你使用的算法是k最近邻算法，在下面的图像中，____将是k的最佳值。

A） 3 B） 10 C） 20 D） 50 解决方案：B

当k的值为10时，验证误差最小。

3）在k-NN中不能使用以下哪个距离度量？

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

解决方案：F

所有这些距离度量都可以用作k-NN的距离度量。

4）关于k-NN算法，以下哪个选项是正确的？

A）可用于分类 B）可用于回归 C）可用于分类和回归

解决方案：C

我们还可以将k-NN用于回归问题。在这种情况下，预测可以基于k个最相似实例的均值或中位数。

5）关于k-NN算法，以下哪个陈述是正确的？

1. 如果所有数据的比例均相同，则k-NN的效果会更好
2. k-NN在少数