1.急切学习与懒惰学习
急切学习:在给定训练元组之后、接收到测试元组之前就构造好泛化(即分类)模型。
属于急切学习的算法有:决策树、贝叶斯、基于规则的分类、后向传播分类、SVM和基于关联规则挖掘的分类等等。
懒惰学习:直至给定一个测试元组才开始构造泛化模型,也称为基于实例的学习法。
属于急切学习的算法有:KNN分类、基于案例的推理分类。
2.KNN的优缺点
优点:原理简单,实现起来比较方便。支持增量学习。能对超多边形的复杂决策空间建模。
缺点:计算开销大,需要有效的存储技术和并行硬件的支撑。
3.KNN算法原理
基于类比学习,通过比较训练元组和测试元组的相似度来学习。
将训练元组和测试元组看作是n维(若元组有n的属性)空间内的点,给定一条测试元组,搜索n维空间,找出与测试
元组最相近的k个点(即训练元组),最后取这k个点中的多数类作为测试元组的类别。
相近的度量方法:用空间内两个点的距离来度量。距离越大,表示两个点越不相似。
距离的选择:可采用欧几里得距离、曼哈顿距离或其它距离度量。多采用欧几里得距离,简单!
4.KNN算法中的细节处理
数值属性规范化:将数值属性规范到0-1区间以便于计算,也可防止大数值型属性对分类的主导作用。
可选的方法有:v' = (v - vmin)/ (vmax - vmin),当然也可以采用其它的规范化方法
比较的属性是分类类型而不是数值类型的:同则差为0,异则差为1.
有时候可以作更为精确的处理,比如黑色与白色的差肯定要大于灰色与白色的差。
缺失值的处理:取最大的可能差,对于分类属性,如果属性A的一个或两个对应值丢失,则取差值为1;
如果A是数值属性,若两个比较的元组A属性值均缺失,则取差值为1,若只有一个缺失,另一个值为v,
则取差值为|1-v|和|0-v|中的最大值
确定K的值:通过实验确定。进行若干次实验,取分类误差率最小的k值。
对噪声数据或不相关属性的处理:对属性赋予相关性权重w,w越大说明属性对分类的影响越相关。对噪声数据可以将所在
的元组直接cut掉。
5.KNN算法流程
准备数据,对数据进行预处理
选用合适的数据结构存储训练数据和测试元组
设定参数,如k
维护一个大小为k的的按距离由大到小的优先级队列,用于存储最近邻训练元组
随机从训练元组中选取k个元组作为初始的最近邻元组,分别计算测试元组到这k个元组的距离,将训练元组标号和距离存入优先级队列
遍历训练元组集,计算当前训练元组与测试元组的距离,将所得距离L与优先级队列中的最大距离Lmax进行比较。若L>=Lmax,则舍弃该元组,遍历下一个元组。若L
遍历完毕,计算优先级队列中k个元组的多数类,并将其作为测试元组的类别。
测试元组集测试完毕后计算误差率,继续设定不同的k值重新进行训练,最后取误差率最小的k值。
6.KNN算法的改进策略
将存储的训练元组预先排序并安排在搜索树中(如何排序有待研究)
并行实现
部分距离计算,取n个属性的“子集”计算出部分距离,若超过设定的阈值则停止对当前元组作进一步计算。转向下一个元组。