Grátis: O kNN é um algoritmo de aprendizagem supervisionada com a predição das classes feita por meio de voto. Ou seja, contabiliza-se as classes dos vizin...

Inteligência Artificial

Outros

O kNN é um algoritmo de aprendizagem supervisionada com a predição das classes feita por meio de voto. Ou seja, contabiliza-se as classes dos vizinhos e a instância em análise recebe a classe que teve maior número de votos. Considerando o texto acima e valendo-se do seu conhecimento sobre aprendizagem de máquina, o k da sigla do kNN está relacionado ao hiperparâmetro que define:

A coeficiente de erros
B o limite de erros
C o número de vizinhos a serem comparados
D a taxa de erros
E o limite de acertos

Praticando Para o Saber

há 3 anos

Praticando Para o Saber

há 3 anos

9 pág.

Prática 2 tentativa 1 machine learning

UNIP

Respostas

ano passado

O algoritmo kNN (k-Nearest Neighbors) realmente utiliza um hiperparâmetro chamado "k", que determina quantos vizinhos mais próximos serão considerados para fazer a predição da classe de uma nova instância. Analisando as alternativas: A) coeficiente de erros - Não é o que o "k" representa. B) limite de erros - Também não é a definição correta. C) o número de vizinhos a serem comparados - Esta é a definição correta do "k" no kNN. D) a taxa de erros - Não se refere ao "k". E) o limite de acertos - Também não é a definição correta. Portanto, a alternativa correta é: C) o número de vizinhos a serem comparados.

Essa resposta te ajudou?

Ainda não achou a resposta?

Integrado com os principais modelos de IA do mercado
Respostas em segundos
IA treinada para estudantes brasileiros.

Evolua sua forma de estudar

Cadastre-se ou realize login

há 3 anos

O k da sigla do kNN está relacionado ao hiperparâmetro que define o número de vizinhos a serem comparados. Portanto, a alternativa correta é: C) o número de vizinhos a serem comparados.

Essa resposta te ajudou?

Ainda com dúvidas?

Envie uma pergunta e tenha sua dúvida de estudo respondida!

Essa pergunta também está no material:

9 pág.

Prática 2 tentativa 1 machine learning

UNIP

Mais perguntas desse material

Você necessita executar o treinamento de um modelo de aprendizagem. Sabendo que é preciso dividir os dados em treinamento e em testes, você resolve utilizar uma proporção que é bastante utilizada e recomendada, na qual se fornece mais dados para treino que para testes. Valendo-se dos seus conhecimento de aprendizagem de máquina, para conseguir executar o treinamento do modelo você deverá:

A utilizar uma estratégia de validação cruzada
B utilizar os dados na proporção 80-20
C utilizar os dados na proporção 50-50
D treinar e testar com os mesmos dados
E utilizar todos os dados para treino e não testar

Durante o processo de treinamento supervisionado de uma rede neural para reconhecimento de imagens, os dados são preparados colocando uma indicação da categoria, a qual cada imagem pertence. Durante o processo de treinamento, milhares de imagens, contendo indicações erradas como a mostrada na imagem acima, foram fornecidas para uma rede neural, fazendo com que os resultados do modelo fossem muito ruins. De acordo com os seus conhecimentos sobre treinamento de redes neurais para reconhecimento de imagens, há muitas possibilidades, mas NÂO será de grande utilidade:

A correção das etiquetas incorretas e um novo treinamento
B corrigir as etiquetas e testar novos hiperparâmetros
C testar novos hiperparâmetros
D um treinamento somente com as etiquetas incorretas
E mudar a taxa de aprendizagem

Você necessita desenvolver um classificador bayesiano para detecção de spam baseado nas palavras contidas nos e-mails recebidos. Para isso o classificador deverá utilizar o teorema de Bayes, considerando as classes como spam e não-spam e o vetor de características como a presença ou ausência de uma palavra, de acordo com a imagem acima. Considerando do texto acima e valendo-se do seu conhecimento sobre classificação bayesiana, o elemento P(?) será corretamente substituído por :

A P(não-spam | spam)
B P(spam)
C P(palavra)
D P(spam | não-spam)
E P(palavra | spam)

Você necessita implementar um módulo de detecção de spam. Como o volume e a frequência de e-mails muito alta, você precisa de um algoritmo de classificação que permita obter de forma rápida a identificação se o e-mail recebida se trata ou não de um spam, ainda que alguns falsos positivos possam ocorrer. Usando os seus conhecimentos de aprendizagem de máquina, você optaria por um algoritmo de:

A classificador bayesiano
B modelos de agrupamento hierárquico
C modelo do tipo k-NN
D modelo do tipo k-Means
E modelo do tipo SVM

Métodos de redes neurais (MLP, CNN) tendem a necessitar de muita memória e processamento, o que faz com que demorem em dar uma resposta rápida. Já modelos do tipo classificador bayesiano tendem a ser mais rápidos que os demais, ainda que a sua precisão e taxa de erros seja maior que outros algoritmos.

B agrupamento hierárquico
C rede neural profunda
D k-NN
E rede neural do tipo CNN

Inteligência Artificial

Prática 2 tentativa 1 machine learning

Respostas

Ainda não achou a resposta?

Ainda com dúvidas?

Essa pergunta também está no material:

Prática 2 tentativa 1 machine learning

Mais conteúdos dessa disciplina