CS231n-assignment1笔记

knn

---

缺点

• 分类器必须记住所有训练数据并将其存储起来，以便于未来测试数据用于比较。这在存储空间上是低效的，数据集的大小很容易就以GB计。
• 对一个测试图像进行分类需要和所有训练图像作比较，算法计算资源耗费高。

---

Q：KNN与NN
A：

• KNN找出距离最近的k个样本，然后根据投票数最多的得到标签

• 更高的k值可以让分类的效果更平滑，使得分类器对于异常值更有抵抗力。
  

---

一层循环求L2距离

dists[i, :]=np.sqrt(np.sum(np.square(X[i,:] - self.X_train),axis=1))   
#将每一行的求和结果赋值给dists[i，j]

直接求L2距离

dists += np.sum(self.X_train ** 2, axis=1)
dists += np.sum(X**2,axis=1).reshape(num_test,1)
dists -= 2 * X.dot(self.X_train.T)
dists = np.sqrt(dists)

np.bincount()

plt.scatter([k] * len(accuracies), accuracies) 
 #[k]* len(accuracies)同一个k有len(accuracies)个散点
plt.errorbar(k_choices, accuracies_mean, yerr=accuracies_std)   #误差曲线

---

ValueError: object too deep for desired array

查了下应该就是np.bincount()参数要求1维的，然后改为以下解决：

y_pred[i] = np.argmax(np.bincount(closest_y.reshape(len(closest_y))))

But

交叉验证和用指定k值运算正确率分开运行都可以运行，但在先交叉验证找出最佳k之后再用最佳k进行预测计算就会报错，具体原因还没有想清楚