# 6. Контрольні запитання

Ці запитання допомагають перевірити готовність до роботи й самоконтроль після неї.
Відповіді спираються на [методичні вказівки](2method.md) та
[Лекцію 6](../../Lectures/DA-L06.md).

## Класифікація та машинне навчання

1. Що таке **класифікація**? Чим вона відрізняється від **регресії**
   ([Лекція 5](../../Lectures/DA-L05.md)) і від **кластеризації**
   ([Лекція 9](../../Lectures/DA-L09.md))?
2. Що таке **навчання з учителем** і **без учителя**? До якого типу належить kNN?
3. Навіщо ділити дані на **тренувальну** й **тестову** множини? Що таке
   **перенавчання** (overfitting)?

## Метод kNN

4. Сформулюйте **означення** kNN. Чому його називають **лінивим** навчанням і що це
   означає для швидкості класифікації?
5. Опишіть **алгоритм** kNN за кроками (відстані → сусіди → голосування).
6. Як **вибір $k$** впливає на результат? Чому мале $k$ чутливе до шуму, а велике
   надмірно згладжує? Чому для двокласової задачі беруть **непарне** $k$?
7. Що таке **зважений** kNN? Які беруть ваги й навіщо (як це знімає нічию)?

## Відстані та нормалізація

8. Запишіть формули **евклідової**, **манхеттенської** відстаней та відстані
   **Мінковського**. Що таке відстань **Геммінга** і коли її застосовують?
9. Навіщо **нормалізувати** ознаки перед kNN? Що станеться, якщо цього не зробити?
   Наведіть формули мінімаксної нормалізації та $z$-стандартизації.
10. Чому для **порівняння** сусідів достатньо квадрата відстані $d^2$ і корінь можна
    не брати?

## Оцінювання класифікатора

11. Що таке **матриця невідповідності**? Розшифруйте $TP$, $TN$, $FP$, $FN$ та
    поясніть різницю між помилками I та II роду.
12. Дайте означення **правильності**, **точності** й **чутливості**. Чому
    правильність (accuracy) оманлива на **незбалансованих** класах?
13. Що таке **$F_1$-міра** і чому беруть саме **гармонійне** середнє точності й
    чутливості? Що описує **коефіцієнт Меттьюза** (MCC) і які значення він набуває?