✍️ Разбор задач прошедшей недели
1️⃣ Разберём код поэтапно.
- Узнаем, каким будет массив c:
array([ True, True, False, False, False])
Здесь идёт простое поэлементное сравнение a и b.
- Узнаем, каким будет массив d:
array([False, False, True, True, True])
Здесь идёт поэлементное сравнение массива a с двойкой.
- c * d выполняет логическое умножение (или покомпонентное логическое И). Поэтому результатом будет [False False False False False].
2️⃣ Этот код вызывает ошибку, потому что пытается изменить значение глобальной переменной x внутри локальной области видимости функции foo без явного объявления x как глобальной внутри этой функции.
3️⃣ Если установить параметр k равным единице, такая модель будет рассматривать только одного ближайшего соседа для каждого прогноза. Она будет иметь очень низкое смещение (bias), так как не будет пытаться обобщить данные. При этом модель получит высокий разброс (variance), становясь чрезвычайно чувствительной к шуму в обучающих данных. То есть она будет реагировать на любые небольшие изменения в данных, что приведет к высокой дисперсии.
#разбор_задач
1️⃣ Разберём код поэтапно.
- Узнаем, каким будет массив c:
array([ True, True, False, False, False])
Здесь идёт простое поэлементное сравнение a и b.
- Узнаем, каким будет массив d:
array([False, False, True, True, True])
Здесь идёт поэлементное сравнение массива a с двойкой.
- c * d выполняет логическое умножение (или покомпонентное логическое И). Поэтому результатом будет [False False False False False].
2️⃣ Этот код вызывает ошибку, потому что пытается изменить значение глобальной переменной x внутри локальной области видимости функции foo без явного объявления x как глобальной внутри этой функции.
3️⃣ Если установить параметр k равным единице, такая модель будет рассматривать только одного ближайшего соседа для каждого прогноза. Она будет иметь очень низкое смещение (bias), так как не будет пытаться обобщить данные. При этом модель получит высокий разброс (variance), становясь чрезвычайно чувствительной к шуму в обучающих данных. То есть она будет реагировать на любые небольшие изменения в данных, что приведет к высокой дисперсии.
#разбор_задач