无参估计(上):KNN(K nearst neighbor)

本文介绍了无参估计中的KNN(K近邻)算法,包括算法叙述、实现方法和K近邻搜索。KNN是基于训练数据的分类模型,涉及k值选择、距离度量和分类决策规则。文章详细讲解了如何通过kd树实现KNN搜索,并通过实例展示了特征空间划分的过程。
摘要由CSDN通过智能技术生成

无参估计:根据直方图定义概率公式:p(x)=\frac{k}{NV},其中V:the volume surrounding X,N:the total number of examples

k:the number of the example inside V.

我们将无参估计分为两类:

  • 固定V,求解k (KDE)
  • 固定k,求解V(kNN)

本讲围绕kNN展开。

依旧从p(x)=\frac{k}{NV},我们对V进行定义:V=C_{D}R_{k}^{D}(x),其中R是点x与k个临近点之间的距离。C是D维中单元范围的大小。

定义为C_{D}=\frac{2\pi^{D/2}}{D*\Gamma(D/2)}。我们想将knn密度估计作为贝叶斯分类器:

  • 定义先验概率(prior):
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值