kd树之中位数问题

最新推荐文章于 2024-07-22 14:37:31 发布
最新推荐文章于 2024-07-22 14:37:31 发布
阅读量1.9k 收藏 5
点赞数 8
分类专栏： 机器学习

统计学习方法一书在41页
根据x维上的值将数据排序，6个数据的中值(所谓中值，即中间大小的值)为什么为7，为什么不是5或者6呢？5和7的平均值不是6吗？

摘自维基百科kd-tree的Python代码

point_list.sort(key=itemgetter(axis))
median = len(point_list) // 2 # choose median
location=point_list[median]

在KD-Tree中中位数的求取是序列的长度除以2向下取整后的下一个数（升序排序）。所以，问题出在中位数定义不一致上，统计学习方法一书在41页注脚的中位数定义是错误的。

https://toutiao.io/posts/563580/app_preview
感谢 https://me.csdn.net/olzhy 同学解答疑惑

是晨星啊
关注
专栏目录
k近邻法 kd树 平衡kd树
ein5702的博客
01-22 1840
k近邻法 k近邻法的思想： k近邻法是一种基本分类与回归方法。输入为实例的特征向量，输出为实例的类别（可取多类）。具体过程是：给定一个已经分好类的数据集，对于新的实例，加入此数据集，以离这个点最近（距离度量）的k个点（k值选取）的类别进行多数表决（分类策略）去决定这个新的实例的类别。 k近邻法三要素： k值的选择： k小，用于训练的点少，只有新实例点旁边的点起作用（表决），近似误差小，估...
浅谈KNN算法原理及python程序简单实现、KD树、球树
u014486460的博客
01-10 2342
最近比较空闲，打算利用这一段时间理一下机器学习的一些常见的算法。第一个是KNN算法： KNN 1、原理： KNN，K-NearestNeighbor---K最近邻 K最近邻，就是K个最近的邻居的意思，说的就是每个样本都可以用它最接近的K个邻居来代表。核心思想是如果一个样本在特征空间中的K个最相邻的样本中的大多数属于某一个类别，则该样本也属于这个类别，并具有这个类别上样本的特性。 KNN算法...
关于《统计学习方法》中第三章构造kd树算法中的中位数问题
wzc_1230的博客
04-01 1119
最近在看李航所著的《统计学习方法》，很不错的一本书。但在第三章构造平衡kd树时，原书中说的是“以T中所有实例的x(1)坐标的中位数为切分点”（p42），此处的中位数说法自认为不准确。 根据随后给出的 例3.2 给定一个二维空间的数据集: T={(2,3)T,(5,4)T,(9,6)T,(4,7)T,(8,1)T,(7,2)T}T={(2,3)T,(5,4)T,(9,6)T,(4,7)T,(8,1)...
kd树
zrh_CSDN的博客
06-09 983
     Kd树是一种对K维空间中的实例点进行存储以便对其进行快速检索的树形数据结构。Kd树是二叉树，表示对k维空间的一个划分。构造kd树相当于不断地用垂直于坐标轴的超平面将k维空间切分，构成一系列的k维超矩形区域。Kd树的每一个结点对应于一个k维超矩形区域。     构造kd树的方法如下：    构造根结点，使得根结点对应于k维空间中包含所有实例点的超矩形区域；通过下面的递归方法，不断地对k维空...
手写Kd树（C++模板非递归实现）
最新发布
我爱调试
07-22 997
本文实现的Kd树实现参考了高翔博士的书《自动驾驶与机器人中的slam技术从理论到实践》；高博士原书中是递归形式实现的，本文改写成了while循环的形式，避免了特大规模点云时的栈溢出问题，并且通过C++无类型模板参数，理论上可以实现广义上的无穷维点云的最近邻匹配。
KNN算法笔记整理2 - 样本集过大，选择KD树方法
Sevieryang/FinTech/Statistics/Quant
01-25 1055
7. KD树 当样本数量较少时，我们可以使用遍历所有样本的方式，找出最近的K的邻居，然而，如果数据集庞大，这种方式会造成大量的时间开销，此时，我们可以使用KD树的方式来选择K个邻居。 KD树算法中，首先是对训练数据进行建模，构建KD树，然后再根据建好的模型来获取邻近样本数据。 7.1 构建KD树 KD树（KD-Tree）是一个二叉树，构建KD树步骤如下（假设样本具有n个特征）： 分别计算n个特征...
kd树的构造与搜索
qq_27481087的博客
07-19 2470
实现k近邻算法时，主要考虑的问题是如何对训练数据进行快速k近邻搜索。这在特征空间的维数大及训练数据容量大时尤其必要。k近邻法最简单的实现是线性扫描（穷举搜索），即要计算输入实例与每一个训练实例的距离。计算并存储好以后，再查找K近邻。当训练集很大时，计算非常耗时。为了提高kNN搜索的效率，可以考虑使用特殊的结构存储训练数据，以减小计算距离的次数。 1.1 什么是kd树 根据KNN每次需要预测一个点时，我们都需要计算训练数据集里每个点到这个点的距离，然后选出距离最近的k个点进行投票。当数据集很大时，这个计算成本
KNN算法之KD树
08-10 225
KD树算法是先对数据集进行建模，然后搜索最近邻，最后一步是预测。 KD树中的K指的是样本特征的维数。 一、KD树的建立 m个样本n维特征，计算n个特征的方差，取方差最大的第k维特征作为根节点。选择第k维特征的中位数作为切分点，小于中位数的放左子树，大于中位数的放右子树，递归生成。 举例 有二维样本6个，{(2,3)，(5,4)，(9,6)，(4,7)，(8,1)，(7,2)...
KNN之KD树实现
Wallace
03-05 5633
KNN之KD树  KNN是K-Nearest-Neighbors 的简称，由Cover和Hart于1968年提出，是一种基本分类与回归方法。这里主要讨论分类问题中的k近邻法。 一般分类方法： •积极学习法 (决策树归纳)：先根据训练集构造出分类模型，根据分类模型对测试集分类。 •消极学习法 (基于实例的学习法):推迟建模，当给定训练元组时，简单地存储训练数据(或稍加
利用KDTree近邻搜索
Scarlett的博客
06-26 1694
利用KDTree近邻搜索
KD-Tree的原理及其在KNN中的应用（附Python代码）
2401_84584238的博客
04-28 384
nearest_point = tree.search_nn(my_tree, target) # 求最近邻坐标点。my_tree = tree.build_tree(dataset, 0) # 使用数据构建kdtree。make_binary_search_tree(data[:mid]), # 左子树。make_binary_search_tree(data[mid+1:])) # 右子树。target = np.random.rand(1, K)[0] # 目标点坐标。
K-D Tree原理详解
我的blog屋
01-06 1810
一、从线性查找到k-D树 参考博客：https://zhuanlan.zhihu.com/p/45346117 1 线性查找 假设数组A为[0, 6, 3, 8, 7, 4, 11]，有一个元素x，我们要找到数组A中距离x最近的元素，应该如何实现呢？比较直接的想法是用数组A中的每一个元素与x作差，差的绝对值最小的那个元素就是我们要找的元素。假设x = 2，那么用数组A中的所有元素与x作差得到[-2...
Kd树构造
Morphine_的博客
04-04 3898
Kd树–总结 1. KdTree构造 以经典的2D样本点集合为例data = [(2,3),(5,4),(9,6),(4,7),(8,1),(7,2)]来展示构造过程。 排序 ​ 从0维度开始，这里就是x轴的维度，以x维度对样本集合点排序。 ​ data = [(2,3)(4,7)(5,4)(7,2)(8,1)(9,6)}] 中位数 ​ 注意：有时候样本点的个数为偶数，这时的中位数的坐标可以直接使用整除确定。 ​ split= len(point) // 2 => 这里split
KDTree
zengjunjie59的博客
09-02 1644
引子 在一张地图上，有600多个单位，每个单位之间都需要独立寻路，检测碰撞和寻找最近的敌方目标。当这一切需要在手机上流畅运行并尽可能快的在服务器进行模拟时，最简单的平方算法5,4已经不能满足需求。 怎样减少计算的复杂度呢？ 通过观察，可以发现，在地图左上角的单位根本无需和地图右下角的单位进行碰撞检测，因为它们离的太远了。 所以，通过对战场进行空间划分，可以避免大量的无效计算。 一种简单的划分方法是，将战场沿着横纵坐标划分为7,2的格子，只对在相同格子内的战斗单元做碰撞检测。 这种方法在大部分情况
机器学习算法——KD树算法介绍以及案例介绍
张小鱼的博客
04-10 1955
kd树（k-dimensional树的简称），是一种分割k维数据空间的数据结构，主要应用于多维空间关键数据的近邻查找(Nearest Neighbor)和近似最近邻查找(Approximate Nearest Neighbor)。其实KDTree就是二叉查找树（Binary Search Tree，BST）的变种。二叉查找树的性质如下：1）若它的左子树不为空，则左子树上所有结点的值均小于它的根结点的值；
kd树（K-dimensional tree）
qq_40692109的博客
10-21 1万+
kd-tree简介 Kd-Tree（K-dimensional tree），是一种高维索引树形数据结构，经常使用于在大规模的高维数据空间进行最近邻查找，比如图像检索和识别中的高维图像特征向量的K近邻查找与匹配（查找与所给数据最接近的k个数）。 kd树结构类似于高维的二叉树，树中存储的是一些K维数据。在一个K维数据集合上构建一棵Kd-Tree代表了对该K维数据集合构成的K维空间的一个划分。 kd-t...
详解Kd树之构造
疯狂小羊的博客
12-21 2320
度娘的定义：k-d树（k-dimensional树的简称），是一种分割k维数据空间的数据结构。主要应用于多维空间关键数据的搜索（如：范围搜索和最近邻搜索）。K-D树是二进制空间分割树的特殊的情况。 度娘还给了具体的例子来讲解如何去构造一颗kd树。发现好多博客都一样，来源于度娘本身。以java实现了它，现在分解下代码的实现步骤。 一、对于KD树的数据结构，设计为： class SNod
数据结构和算法——kd树
热门推荐
null的专栏
02-02 1万+
一、K-近邻算法K-近邻算法是一种典型的无参监督学习算法，对于一个监督学习任务来说，其mm个训练样本为：{(X(1),y(1)),(X(2),y(2)),⋯,(X(m),y(m))}\left \{ \left ( X^{\left ( 1 \right )},y^{\left ( 1 \right )} \right ),\left ( X^{\left ( 2 \right )},y^{\lef
k近邻算法的kd树实现原理
Qer的博客
05-30 2492
本文参考 《统计学习方法》 李航k近邻k近邻又叫KNN，是一种基本分类方法。k近邻假设给定一个训练数据集，其中实例类别已定，分类时，对于新的实例，根据其k个最近邻的训练实例类别，通过多数表决的方式进行预测。k近邻的kd树实现k近邻有一个很大的缺陷就是搜索速度比较慢，最简单的搜索方式就是对训练样本线性遍历，当训练数容量很大时，算法耗时难以接受。kd树： kd树是一种对k维空间实例点进行存储以便于快速
kd树在网络异常检测中的应用
kd树（k-dimensional tree）是一种适用于高维空间数据的二叉树结构，尤其在处理多维数据的最近邻搜索问题上表现优异。它的核心思想是通过不断地将数据空间一分为二，构建一个分层的结构，使得同一子空间内的数据点...
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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