Chapter 6:Similarity-Based Methods

①Similarity Measure

相似度的衡量方法：
Euclidean Distance（欧几里得距离）：
Mahalanobi Distance（马氏距离）：，其中Q是一个半正定的协方差矩阵，是多维度数据之间的方差。马氏距离比高斯距离考虑的更全面，因为他把数据的维度和数据的大小都考虑了进来。中间的Q矩阵就是起到这个作用，
Cossim Similarity:这个是余弦距离，常用于在文本向量相似度的比较之中。
Jccard Coeffcient：这个比较方法常用于在集合的对比，也就是推荐系统的优良性度量里面。

②Nearest Neighbor

Two competing Principles:
①拟合数据并且得到较低的in-sample error
②in-sample error必须是可信的，可以作为out-of-sample的估计
规则：用最近邻的k个点的变量的类别来指定当前点的类别
Voronoi图：是由一组连续的两邻点直接的垂直平分线组成的连续多边形。
最近邻算法不需要训练过程，所以它是可以实现In-sample error为0的，因为in-sample error就是训练集里面产生的。

③VC Dismension

由于kNN算法理论上是可以拟合任何数据，所以它是可以shatter任何数据，所以它的VC维是无限的，这和凸边型是一样的。

④Feasible of Nearest

在KNN里面的label是一个固定的值，它的概率是百分之一百，我们假设他和logistic regression一样，label是由一定的概率组成。，当
再假设



因为f(x)是我们的最优分类器，所以上面的就是我们能够对一个点做到最好的的结果了。

上面就是最好情况，现在来看看普通情况：

这个时候x的类别是由离x最近的那个点决定的。所以：



当N足够大的时候，在一个有限的空间里面，和可以无限接近，那么，两边取期望：


这只是一种大概的证明方法，如果要更加细致一点：
首先由，回到上面的式子：
，两边取期望：

如果上面的不等式满足N是非常大的一个数，而且是平滑的而且是连续的，那么，所以后面那一项就可以去掉了。

⑤The power of the nearest neighbor

KNN的能力上面已经证明过了，虽然VC维是无穷，以至于表面上看起来没有上面作用，但是实际证明已经表面他的最高错误界限是最优的两倍，也就是说他至少是可以做到最优化分类器的两倍。
K参数控制了这个模型的复杂度，大的K可以使我们得到更加平滑的结果。当k = N的时候，那么整一个分类器就是一个常数的了。

⑥Proper K value

一般是K = 3就够了：

很明显，k = 5的效果肯定是比k = 3要好的，但是相对来说，增长这么一点准确率根本不算什么，hardly worth the effort，不值得我们这么做。
但是这必须要满足两个假设:

这是为了保证这k个点一定要和当前点足够接近
k->+

是为了保证有足够多靠近的点
满足上面情况那么这个knn分类器是就是最优的。

⑧Improving the efficiency of Nearest Neighbor

对于KNN，有好处也有坏处。
不需要任何的训练过程，直接就可以运行，但是他的训练复杂度转移到了预测上面。优化方法有两个:

Data Condensing

数据压缩，按照最完美的方法，完美要求保留下来的数据集S要和原来的数据空间是一样的，也就是R整体实数，这是一个很苛刻的条件，基本达不到，所以退一步，只要求保留下来的数据集S和训练集空间上匹配就好了，也就是和训练集得到的预测结果一样即可。

Condensed nearest neighbor algorithm

1.初始化压缩数据集S为随机的K个来自训练集的点。
2.选择一个点，使得这个点在训练集合压缩集上的分类不是一致的。
3.把这个不一致点的最近的点放进压缩集
最多重复N步。

Data Editing and Data Condensing
Data Editing是数据编辑，是去掉噪音点，如果有一个点是和大致数据走向是不一致点的，那么这个点很有可能就是噪音点。
Data Condensing是数据压缩，把一些多余的点去掉减少计算复杂度。