基于实例的学习方法

动机

  • 之前【三步走】的学习方法

    • 估计问题特性(如分布)
    • 做出模型假设
      • LSE,Decision Tree,MAP,MLE,Naive Bayes ,…
    • 找到最优的参数
  • 有没有一种学习方法**不遵循【模型假设+参数估计】

  • 人们通过记忆和行动来推理学习

  • 思考即回忆、进行类比Thinking is reminding,making analogies

  • One takes the behavior of one’s company[近朱者赤,近墨者黑]

在这里插入图片描述

基本概念

  • 参数化(Parametric) vs.非参数化(Non-parametric)

    • 参数化:
      • 设定一个特定的函数形式
      • 优点:简单,容易估计和解释
      • 可能存在很大的偏置(bias):实际的数据分布可能不遵循假设的分布
  • 非参数化:

    • 分布或密度的估计是数据驱动的(data-driven)
    • 需要事先对函数形式作的估计相对更少
  • Instance-Based Learning (IBL):基于实例的学习
    or Instance Based Methods (IBM):基于实例的方法

  • Memory-Based Learning :基于记忆的学习

  • Case-Based Learning :基于样例的学习

  • Similarity-Based Learning :基于相似度的学习

  • Case-Based Reasoning :基于样例的推理

  • Memory-Based Reasoning :基于记忆的推理

  • Similarity-Based Reasoning :基于相似度的推理

基于实例的学习

  • 无需构建模型一一仅存储所有训练样例
  • 直到有新样例需要分类才开始进行处理
    在这里插入图片描述
    如上图,2个发了信用卡,3个没发,只需要存下来,新来了一个人要不要发新用卡,看他和哪些类似,发送和发信用卡的类似,那就给他发信用卡。
基于实例的概念表示
  • 一个概念 c i c_i ci可以表示为:
    • 样例的集合 c i = { e i 1 , e i 2 , . . . } c_i = \{e_{i1}, e_{i2},...\} ci={ei1,ei2,...},
    • 一个相似度估计函数 f f f,以及
    • —个阈值0
  • 一个实例’a’属于概念 c i c_i ci,当
    • 'a’和ci的某些ej相似,并且
    • f ( e j , a ) > θ f(e_j, a)>\theta f(ej,a)>θ

1. 最近邻

  • 相似度 ← → 距离 相似度\leftarrow\rightarrow距离 相似度←→距离
    一般用距离来描述相似度,成反比关系,距离越大,相似度越小
    在这里插入图片描述

最近邻的例子

信用评分
分类:好/坏(good/poor)
特征:

  • L = 延迟还款的次数/年
  • R =收入/花销
nameLRG/P
A01.2G
B250.4P
C50.7G
D200.8P
E300.85P
F111.2G
G71.15G
H150.8P

在这里插入图片描述
如上在二维坐标系中的表示,因为在欧氏空间中表示的,那用欧氏距离表示,

nameLRG/P
I61.15?
J220.45?
K151.2?

在这里插入图片描述

距离度量:

  • 缩放的欧氏距离 ( L 1 − L 2 ) 2 + ( 10 R 1 − 10 R 2 ) 2 \sqrt{(L_1 - L_2)^2 + (10R_1-10R_2)^2} (L1L2)2+(10R110R2)2

理论结果

  • 无限多训练样本下1-NN的错误率界限:
    E r r ( B y t e s ) ≤ E r r ( 1 − N N ) ≤ E r r ( B y t e s ) ( 2 − K K − 1 E r r ( B a y e s ) ) Err(Bytes)\le Err(1-NN) \le Err(Bytes)\left(2-\frac{K}{K-1}Err(Bayes)\right) Err(Bytes)Err(1NN)Err(Bytes)(2K1KErr(Bayes))
  • 证明很长(参照Duda et al, 2000)
  • 因此1-NN的错误率不大于Bayes方法错误率的2倍

最近邻(1- NN):解释

在这里插入图片描述

  • Voronoi Diagram

  • Voronoi tessellation

  • 也称为 Dirichlet tessellation

  • Voronoi decomposition

  • 对于任意欧氏空间的离散点集合S,以及几乎所有的点x, S中一定有一个和x最接近的点

    • -没有说“所有的点”是因为有些点可能和两个或多个点距离相等(在边界上)
      -如果是边界上的点,则可以随机、按概率算或其它

问题

在这里插入图片描述

  • 最近邻的点是噪音怎么办?
  • 解决方法
    • 用不止一个邻居
    • 在邻居中进行投票 → \rightarrow k-近邻(KNN)
      如上面的例子,如果用1-近邻,则会是黑色,如上,用3近邻,因此是绿色。

K-近邻(KNN)

KNN:示例(3-NN)

顾客年龄收入(K)卡片数结果距David距离
John35353No ( 35 − 27 ) 2 + ( 35 − 50 ) 2 + ( 3 − 2 ) 2 = 15.16 \sqrt{(35-27)^2+(35-50)^2+(3-2)^2}=15.16 (3527)2+(3550)2+(32)2 =15.16
Mary22502Yes ( 22 − 37 ) 2 + ( 50 − 50 ) 2 + ( 2 − 2 ) 2 = 15 \sqrt{(22-37)^2+(50-50)^2+(2-2)^2}=15 (2237)2+(5050)2+(22)2 =15
Hannah632001No ( 63 − 37 ) 2 + ( 200 − 50 ) 2 + ( 1 − 2 ) 2 = 152.23 \sqrt{(63-37)^2+(200-50)^2+(1-2)^2}=152.23 (6337)2+(20050)2+(12)2 =152.23
Tom591701No ( 59 − 37 ) 2 + ( 170 − 50 ) 2 + ( 1 − 2 ) 2 = 122 \sqrt{(59-37)^2+(170-50)^2+(1-2)^2}=122 (5937)2+(17050)2+(12)2 =122
Nellie25404Yes ( 25 − 37 ) 2 + ( 40 − 50 ) 2 + ( 4 − 2 ) 2 = 15.74 \sqrt{(25-37)^2+(40-50)^2+(4-2)^2}=15.74 (2537)2+(4050)2+(42)2 =15.74
David37502Yes-

新来了一个David顾客,求他的结果

  • 计算David与其它顾客的距离,找到最小的3个距离,这三个投票得是YES

KNN讨论1 :距离度量

  • Minkowski或 L λ L_\lambda Lλ度量: d ( i , j ) = ( ∑ k = 1 p ∣ x k ( i ) − x k ( j ) ∣ λ ) 1 λ d(i,j)=\left(\sum_{k=1}^{p}|x_k(i)-x_k(j)|^\lambda\right)^{\frac{1}{\lambda}} d(i,j)=(k=1pxk(i)xk(j)λ)λ1
    k: 指的是维度,i和j指不同的数据点
    计算在相同维度上不同点差值的绝对值的 λ \lambda λ次方,然后不同维度求和再开 λ \lambda λ次方
    λ \lambda λ次方取不同值时, L λ L_\lambda Lλ距离表示的就是如下图形
    在这里插入图片描述

  • 欧几里得距离 ( λ = 2 ) (\lambda=2) (λ=2) d i j = ∑ k = 1 p ( x i k − x j k ) 2 d_{ij}=\sqrt{\sum_{k=1}^{p}(x_{ik}-x_{jk})^2} dij=k=1p(xikxjk)2

  • 曼哈顿距离 Manhattan Distance
    城市街区距离City block Dis.
    出租车距离 Taxi Distance
    或L1度量( λ = 1 \lambda=1 λ=1): d ( i , j ) = ∑ k = 1 p ∣ x k ( i ) − x k ( j ) ∣ d(i,j)=\sum_{k=1}^{p}|x_k(i)-x_k(j)| d(i,j)=k=1pxk(i)xk(j)
    在曼哈顿,街区都类似如下,不能走斜线,
    在这里插入图片描述

    • 切比雪夫距离(Chebyshev Distance)
      棋盘距离(Chessboard Dis.)
      L ∞ L_{\infty} L
      d ( i , j ) = m a x k ∣ x k ( i ) − x k ( j ) ∣ d(i,j)=\underset{k}{max}|x_k(i)-x_k(j)| d(i,j)=kmaxxk(i)xk(j)
      国际象棋可以走斜线,因此两点之间取决于x差值和y差值的最大值在这里插入图片描述
  • 加权欧氏距离
    Mean Censored Euclidean
    Weighted Euclidean Distance
    ∑ k ( x j k − x j k ) 2 / n \sqrt{\sum_k(x_{jk}-x_{jk})^2/n} k(xjkxjk)2/n
    欧氏距离每多一个维度,距离就更大一些,除以n后,维度的影响就降低了

  • Bray-Curtis Dist ∑ k ∣ x j k − x j k ∣ / ∑ k ( x j k − x j k ) \sum_{k} |x_{jk}-x_{jk}|\bigg/\sum_{k} (x_{jk}-x_{jk}) kxjkxjk/k(xjkxjk)
    两个数据量点的差值和除以两个数据点的和的和
    一般用于生物学上描述多样性用的比较多

  • 堪培拉距离C anberra Dist. ∑ k ∣ x j k − x j k ∣ / ( x j k − x j k ) k \frac{\sum_{k} {|x_{jk}-x_{jk}|\big/(x_{jk}-x_{jk})}}{k} kkxjkxjk/(xjkxjk)
    就是在Bray- Curtis Dist基础上做一些缩放

KNN 讨论2:属性

在这里插入图片描述

  • 邻居间的距离可能被某些取值特别大的属性所支配
    • e.g.收入 D i s ( J o h n , R a c h e l ) = ( 35 − 45 ) 2 + ( 95000 − 215000 ) 2 + ( 3 − 2 ) 2 Dis(John, Rachel)=\sqrt {(35-45)^2 + (95000-215000)^2+(3-2)^2} Dis(John,Rachel)=(3545)2+(95000215000)2+(32)2
      -对特征进行**归一化(Normalization)**是非常重要的(e.g.,把数值归一化到[0-1])
    • Log, Min-Max, Sum,Max…
    • log只是对数据进行了放缩,没有归一化到[0-1],有个优点:数据会变得相对均匀
    • Min-Max: S c o r e − M i n M a x − M i n \frac{Score-Min}{Max-Min} MaxMinScoreMin
    • Sum: S c o r e ∑ S c o r e \frac{Score}{\sum Score} ScoreScore
    • Max: S c o r e M a x \frac{Score}{Max} MaxScore

KNN:属性归一化

顾客年龄收入(K)卡片数结果
John35/63=0.5535/200=0.1753/4=0.75No
Mary22/63=0.3450/200=0.252/4=0.5Yes
Hannah63/63=1200/200=11/4=0.25No
Tom59/63=0.93170/200=0.851/4=0.25No
Nellie25/63=0.3940/200=0.24/4=1Yes
David37/63=0.5850/200=0.252/4=0.5Yes

KNN:属性加权

  • 一个样例的分类是基于所有属性的
    • 与属性的相关性无关——无关的属性也会被使用进来
  • 根据每个属性的相关性进行加权 d W E ( i , j ) = ( ∑ k = 1 p w k ( x k ( i ) − x k ( j ) ) 2 ) 1 2 d_{WE}(i,j)=\left(\sum_{k=1}^{p}w_k(x_k(i)-x_k(j))^2\right)^\frac{1}{2} dWE(i,j)=(k=1pwk(xk(i)xk(j))2)21
  • 在距离空间对维度进行缩放
    • ( L 1 − L 2 ) 2 + ( 10 R 1 − 10 R 2 ) 2 \sqrt{(L_1 - L_2)^2 + (10R_1-10R_2)^2} (L1L2)2+(10R110R2)2
    • wk = 0 → \rightarrow 消除对应维度(特征选择)
  • 一个可能的加权方法
    使用互信息(mutual information)/(属性,类别)
    I ( X , Y ) = H ( X ) + H ( Y ) − H ( X , Y ) I(X,Y) = H(X)+H(Y)-H(X,Y) I(X,Y)=H(X)+H(Y)H(X,Y) H:熵(entropy)
    Y是类别,最后的标签
    H ( X , Y ) = − ∑ p ( x , y ) l o g p ( x , y ) H(X,Y) = -\sum p(x,y)logp(x,y) H(X,Y)=p(x,y)logp(x,y) 联合熵 (joint entropy)(利用熵的公式 H ( y ) = − ∑ p ( y ) l o g p ( y ) H(y) = -\sum p(y)logp(y) H(y)=p(y)logp(y))
    x和y接近关系不同,互信息不同,利用互信息来代表这个维度的重要性wk

KNN讨论3:连续取值目标函数

  • 离散输出-投票
  • 连续取值目标函数
    • k个近邻训练样例的均值
      红色:实例的真实值     蓝色:估计值 红色:实例的真实值 \ \ \ \ \ 蓝色:估计值 红色:实例的真实值     蓝色:估计值
      在这里插入图片描述
      3近邻相比1近邻,比较平滑,阶梯没那么多;k越大,相对越平滑,但也可能损失掉细节,

KNN讨论4 : k的选择

  • 多数情况下k=3
  • 取决于训练样例的数目
    • 更大的k不一定带来更好的效果
  • 交叉验证
    • Leave-one-out (Throw-one-out, Hold-one-out)
      • 每次:拿一个样例作为测试,所有其他的作为训练样例
        KNN本来就是看样例点和其它点的距离,少算一个,拿它当测试,因此KNN天然适合用leave-one-out方法来做;如果n个样例,那就可以做n次,求评价指标时就可以求均值,看在验证集上k是多少最好
  • KNN是稳定的
    • 样例中小的混乱不会对结果有非常大的影响
      k越大,相对越稳定,但是会丢掉好多细节

KNN讨论5:打破平局

在这里插入图片描述

  • 如果k=3并且每个近邻都属于不同的类 ?(一般都不等于类别数,因为可能每个恰好属于不同类,而且一般不等于偶数,很容易出现对半情况)
    • P(W|X)=1/3
    • 或者找一个新的邻居(4th)
    • 或者取最近的邻居所属类
    • 或者随机选一个
    • 或者 …

之后会讨论一个更好的解决方案(距离加权)

KNN 讨论 6: 关于效率

  • KNN算法把所有的计算放在新实例来到时,实时计算开销大
  • 加速对最近邻居的选择
    • 先检验临近的点
    • 忽略比目前找到最近的点更远的点
  • 通过 KD-tree 来实现:(k dimension tree)
    • KD-tree: k 维度的树 (数据点的维度是 k)
    • 基于树的数据结构
    • 递归地将点划分到和坐标轴平行的方形区域内

KD-Tree: ( 1) 构建

  • 从一系列数据点出发
    在这里插入图片描述
PtXY
10.000.00
21.004.31
30.132.85

在这里插入图片描述

    • 我们可以选择一个维度 X 和分界值 V 将数据点分为两组: X > V 和 X <= V
      在这里插入图片描述
  • 接下来分别考虑每个组,并再次分割(可以沿相同或不同的维度)
    在这里插入图片描述
  • 持续分割每个集合中的数据点, 从而构建一个树形结构
    每个叶节点表示为一系列数据点的列表(分割时是将数据点均匀分割,使分割后两个区域的数据点大致相同)
    在这里插入图片描述

在每个节点维护一个额外信息:这个节点下所有数据点的 (紧) 边界
紧边界,一个只包含数据点的矩形区域
在这里插入图片描述
用启发式的方法去决定如何分割

  • 沿哪个维度分割?
    • 范围最宽的维度(范围最大的,即数据点饭不最散的)
  • 分割的值怎么取?
    • 数据点在分割维度的中位数
    • 为什么是「中位数」而不是「均值」?(尽量让每个区域数据点数目相同)
  • 什么时候停止分割?
    • 当剩余的数据点少于 m,或者
    • 区域的宽度达到最小值
      (数据点也不用严格小于m,小于m只是一个权衡)

KD-Tree: ( 2) 查询

  • 遍历树,来查找所查询数据点的最近邻居
    在这里插入图片描述
  • 先检验临近的点 :关注距离所查询数据点最近的树的分支
    节点分支是由原则的,如大于根节点(0.5)的在右子树,而查询点如果大于0.5,则可以缩小范围–右子树,
    在这里插入图片描述
    到了这一步,如图看y,又可以确定在某一子树上,
    在这里插入图片描述
  • 达到一个叶节点后 :计算节点中每个数据点距离目标点的距离
    在这里插入图片描述
    在这里插入图片描述

接着回溯检验我们访问过的每个树节点的另一个分支
在这里插入图片描述

  • 每次我们找到一个最近的点,就更新距离的上界
    如发现距离另外一个分支的一些点更近,此时更新查询点的距离的上界
    在这里插入图片描述
  • 利用这个最近距离以及每个树节点下数据的边界信息,(如果新找到的边界已经比目前找到的最近邻更远,则不可能存在更近的点。因此就不计算这个新分支上的点了)
    我们可以对一部分不可能包含最近邻居的分支进行剪枝
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    因此我们只计算了上述的点(记录边界是为了剪枝减小计算量的)

KNN 总览:优点与缺点

优点

  • 概念上很简单,但可以处理复杂的问题(以及复杂的目标函数)
    • e.g. 图片分类
  • 通过对k-近邻的平均, 对噪声数据更鲁棒
  • 容易理解 :预测结果可解释(最近邻居)
  • 训练样例中呈现的信息不会丢失
    • 因为样例本身被**显式(explictly)**地存储下来了
  • 实现简单、稳定、没有参数(除了 k)
  • 方便进行 leave-one-out 测试

缺点

  • 内存开销
    • 需要大量的空间存储所有样例
    • 通常来说,需要存储任意两个点之间的距离 O(n2) ; K-DTrees O(nlogn)
  • CPU 开销
    • 分类新样本需要更多的时间(因此多用在离线场景)
  • 很难确定一个合适的距离函数
    • 特别是当样本是由复杂的符号表示时(距离需要自己定义,影响到相似度的计算,也就是knn的计算)
  • 不相关的特征 对距离的度量有负面的影响
    • 基于先验证知识或统计给予一定的权重,引用了新参数

下一个问题

  • 回忆:用多个邻居使得对噪声数据鲁棒
    这些邻居的贡献是一样的吗?
  • 解决方案
    • 对数据加权
    • 更接近所查询数据点的邻居赋予更大的权 → \rightarrow 距离加权近邻

距离加权 KNN (Distance-weighted KNN)

距离加权 KNN

  • 一种加权函数
    • wi = K(d(xi, xq))
      K是Kernel function(kernel方向,在后面的向量机里也会提到)
    • d(xi, xq) :查询数据点与 xi 之间的关系
    • K( ·) :决定每个数据点权重的核函数(距离越大,权重越低)
  • 输出: 加权平均: p r e d i c t = ∑ w i y i / ∑ w i predict = \sum w_i y_i \left/ \sum w_i \right. predict=wiyi/wi (使得加权平均式没有经过太大的放缩)
  • 核函数 K(d(xi, xq))
    • 1/d2, e − d e^{-d} ed, 1/(1+d), … 应该和距离 d 成反比

回顾

在这里插入图片描述
距离加权 NN
加d0,平滑了很多,smoothing flater,这个还是很有用的,它是一个常数
在这里插入图片描述
下面的公式用了正态分布的高斯核函数,几乎接近完美
在这里插入图片描述

基于实例/记忆的学习器: 4 个要素

  1. 一种距离度量
  2. 使用多少个邻居?
  3. 一个加权函数(可选)
  4. 如何使用已知的邻居节点?

1-NN

在这里插入图片描述

基于记忆的学习器:4 个要素

  1. 一种距离度量 欧式距离
  2. 使用多少个邻居? 一个
  3. 一个加权函数(加权)
  4. 如何使用已知的邻居节点? 和邻居节点相同

K-NN

在这里插入图片描述

基于记忆的学习器:4 个要素

  1. 一种距离度量 欧式距离
  2. 使用多少个邻居? K 个
  3. 一个加权函数(加权)
  4. 如何使用已知的邻居节点? K 个邻居节点投票(或平均Mean)

距离加权 KNN

在这里插入图片描述

基于记忆的学习器: 4 个要素

  1. 一种距离度量 缩放的欧式距离
  2. 使用多少个邻居? 所有的,或K 个
  3. 一个加权函数(可选)
    w i = e x p ( − D ( x i , q u e r y ) 2 / K w 2 ) w_i = exp(-D(x_i, query)^2 / K_w^2) wi=exp(D(xi,query)2/Kw2)
    Kw :核宽度。非常重要(是个常量,需手动指定)
  4. 如何使用已知的邻居节点?每个输出的加权平均 p r e d i c t = ∑ w i y i / ∑ w i predict = \sum w_iy_i / \sum w_i predict=wiyi/wi

扩展:局部加权回归 (Locally weighted regression)

  • 回归:对实数值目标函数做估计/预测
  • 局部: 因为函数的估计是基于与所查询数据点相近的数据
  • 加权:每个数据点的贡献由它们与所查询数据点的距离决定

局部加权回归 (例子)

在这里插入图片描述
上面例子中局部加权回归用4个线性直线(有两个几乎重合)很好的拟合了数据,和简单回归效果好很多,如果分的足够小的话,每一个小块一定是线性的

局部加权回归

在这里插入图片描述
基于记忆的学习器:4 个要素

  1. 一种距离度量 缩放的欧式距离
  2. 使用多少个邻居? 所有的,或K 个
  3. 一个加权函数(可选)
    e.g. w i = e x p ( − D ( x i , q u e r y ) 2 / K w 2 ) w_i = exp(-D(x_i, query)^2 / K_w^2) wi=exp(D(xi,query)2/Kw2)
    Kw :核宽度。非常重要
  4. 如何使用已知的邻居节点?
    首先构建一个局部的线性模型。拟合 β \beta β 最小化局部的加权平方误差和: β ‾ = a r g m i n β ∑ k = 1 N w k 2 ( y k − β T x k ) 2 \underline\beta=\underset{\beta}{argmin} \sum_{k=1}^{N} w_k^2(y_k-\beta^Tx_k)^2 β=βargmink=1Nwk2(ykβTxk)2
    那么 y p r e d i c t = β ‾ T x q u e r y y_{predict} = \underline\beta^T x_{query} ypredict=βTxquery

真实测试样例下 不同基于实例的算法表现举例

线性回归

在这里插入图片描述
第一个: 不能使用线性假设
第三个:看起来就像是噪声数据的影响

  • 连接所有点
    在这里插入图片描述

1- 近邻

在这里插入图片描述
甚至比连接所有点还差,比如第二个没有连接所有点平滑

K -近邻(k=9)

在这里插入图片描述
以上三个图都是在开始和结束也损失掉很大的细节

距离加权回归(核回归)

在这里插入图片描述
Kw=x轴宽度的1/32,就是将数据分成32份,每1/32的数据对当前的影响较大一些
最右的图,1/16是调参调出来的,但是和简单线性回归比,不知道是不是发生过拟合(对噪声拟合了一些),效果不好确定

选择一个合适的 Kw 非常重要,不仅是对核回归,对所有局部加权学习器都很重要(包括distance weighted 距离加权回归)

局部加权回归

在这里插入图片描述
不一定局部加权回归是最好的,因为参数量( β T \beta^T βT)很大,因此需要数据量很大才适合

懒惰学习与贪婪学习 Lazy learner and Eager Learner

贪婪学习与主动学习(active learner)是有区别的,(主动学习是:先训练一部分,然后问teacher,这个数据的label是什么,然后把label加到训练了,然后学了一段时间后,再问,而且每次问都是挑一些对下一步有用的)

不同的学习方法

  • 贪婪学习
    比如: 先建一个模型,从过去的数据集里得到一个模型,这个模型是:总结中经验,产生任何行动都是有老鼠。现在来了一个点,就说看到一只老鼠。
    之前说的:线性回归、决策树、贝叶斯的方法都是eager leaner
    在这里插入图片描述
  • 懒惰学习 (例如基于实例的学习)
    lazy leaner :比如:有一对样例,啥都不干 只保存,来了一个新的例子,它和电脑很像,就认为它是电脑
    在这里插入图片描述

懒惰学习vs. 贪婪学习(lazy learner vs eager leaner)

懒惰
  • 懒惰 :等待查询再泛化(generalization,一般化)

    • 训练时间 :短
    • 测试时间 :很长
  • 懒惰学习器

    • 可以得到局部估计(如KNN)
贪婪
  • 贪婪 :查询之前就泛化(y=f(x))

    • 训练时间 :长
    • 测试时间:短
  • 贪婪学习器

    • 对于每个查询使用相同的模型
    • 倾向于给出全局估计(比如决策树的搜索过程得到的是局部估计,梯度下降也是局部最优)

如果它们共享相同的假设空间,懒惰学习可以表示更复杂的函数
( e.g. H=线性函数)

基于实例的学 习总结

  • 基本概念与最近邻方法
  • K近邻方法
    • 基本算法
    • 讨论:更多距离度量;属性:归一化、加权;连续取值目标函数; k 的选择;打破平局;关于效率(K-Dtree的构建与查询)
  • 距离加权的KNN
  • 基于实例的学习器的四要素
  • 扩展:局部加权回归
  • 真实测试样例下的算法表现举例
  • 懒惰学习与贪婪学习
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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