Cuestionario: Introduction à k-NN et Distance en Apprentissage Machine — 4 preguntas

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

A. Déduire la structure des données sans aucune information sur la cible

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

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

D. Remplacer les features par une unique valeur numérique de sortie

Answer: (C)

Explicación

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.

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

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

B. Générer de nouvelles données à partir de données existantes.

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

D. Relever des tendances sans utiliser de données d’apprentissage.

Answer: (C)

Explicación

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.

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

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

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

C. Il fonctionne uniquement sans données labellisées

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

Answer: (B)

Explicación

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

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

A. Elle doit être linéaire par rapport aux coordonnées des points.

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

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

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

Answer: (C)

Explicación

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.