QCM : Introduction à k-NN et Distance en Apprentissage Machine — 4 questions

Question 1

1. Dans un problème d’apprentissage supervisé, quel rôle joue principalement un modèle de machine learning ?

Déduire la structure des données sans aucune information sur la cible

Transformer automatiquement toutes les données en labels sans utiliser d’exemples

Associer des features à une mesure de similarité et à une règle de décision pour prédire un label

Remplacer les features par une unique valeur numérique de sortie

Explication

Un modèle de ML combine des features, une mesure de similarité et une règle de décision pour produire une prédiction. Les autres propositions confondent le rôle du modèle avec celui d’une transformation automatique ou d’une analyse non supervisée.

Answer

Associer des features à une mesure de similarité et à une règle de décision pour prédire un label

Question 2

2. Quelle est la fonction principale d’un modèle machine learning dans le contexte de la prédiction ?

Créer un ensemble de données synthétiques pour augmenter l’échantillon.

Générer de nouvelles données à partir de données existantes.

Combiner features, mesures de similarité et règles de décision pour prédire un label.

Relever des tendances sans utiliser de données d’apprentissage.

Explication

Un modèle ML combine des features, une mesure de similarité et une règle de décision pour prédire le label d’un nouvel exemple. Les autres options décrivent des processus non liés directement à la fonction principale d’un modèle ML.

Answer

Combiner features, mesures de similarité et règles de décision pour prédire un label.

Question 3

3. Quelle affirmation décrit correctement k-NN dans le cadre de la régression ?

Il apprend des coefficients à partir d’une fonction de coût avant toute prédiction

Il prédit une valeur numérique en agrégeant les sorties des k voisins les plus proches

Il fonctionne uniquement sans données labellisées

Il prédit une classe discrète à partir d’un vote majoritaire des exemples

Explication

En régression, k-NN agrège les valeurs des k voisins pour produire une sortie numérique. Le vote majoritaire concerne la classification, pas la régression.

Answer

Il prédit une valeur numérique en agrégeant les sorties des k voisins les plus proches

Question 4

4. Quelle propriété fondamentale une fonction de distance doit-elle satisfaire pour être utilisée dans un algorithme k-NN ?

Elle doit être linéaire par rapport aux coordonnées des points.

Elle doit toujours mesurer la différence en utilisant la distance euclidienne.

Elle doit satisfaire l’identité, la symétrie et l’inégalité triangulaire.

Elle doit être strictement croissante avec la différence entre les points.

Explication

La distance doit satisfaire l’identité, la symétrie et l’inégalité triangulaire pour assurer une mesure cohérente de la proximité. Ces axiomes garantissent que la fonction de distance est valable et fiable pour le tri des observations.

Answer

Elle doit satisfaire l’identité, la symétrie et l’inégalité triangulaire.

QCM : Introduction à k-NN et Distance en Apprentissage Machine — 4 questions

Questions et réponses du QCM

1. Dans un problème d’apprentissage supervisé, quel rôle joue principalement un modèle de machine learning ?

2. Quelle est la fonction principale d’un modèle machine learning dans le contexte de la prédiction ?

3. Quelle affirmation décrit correctement k-NN dans le cadre de la régression ?

4. Quelle propriété fondamentale une fonction de distance doit-elle satisfaire pour être utilisée dans un algorithme k-NN ?

Révisez avec les flashcards

Approfondir avec la fiche

Cours similaires

Introduction à l'Informatique et IA

Introduction aux marchés publics et réglementations du bâtiment

Gestion des imprimantes Windows et PDF

Introduction aux bases de données relationnelles

Maîtrise des Boucles en Programmation

Maîtrise des fonctions et paradigmes de programmation

Crée tes propres QCM