Non-parametric Classifiers

最新推荐文章于 2022-02-17 21:00:15 发布

老黄lab

最新推荐文章于 2022-02-17 21:00:15 发布

阅读量384

点赞数

分类专栏：模式识别笔记文章标签：模式识别

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_37354464/article/details/109727073

版权

本文介绍了非参数分类中的Parzen窗口方法和KNN方法。Parzen窗口利用样本估计总体分布，通过正态窗函数计算条件概率进行分类。KNN则依据最近邻原则，通过计算欧氏距离确定类别。对于Parzen窗口，重点在于条件概率的计算，而对于KNN，关键在于选择合适的K值。

摘要由CSDN通过智能技术生成

Parzen Window Method

Parzen 窗主要思想就是直接利用样本来估计总体分布, 每一个样本对估计所起的作用依赖于它到x的距离.

先验概率 $P(\omega_{k})$ 就是训练样本中每个类别的占比
$P\left(\omega_{k}\right)=\frac{n_{k}}{\sum_{i=1}^{K} n_{i}}$
条件概率

最低0.47元/天解锁文章

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
Non-parametric Classifiers

Parzen Window MethodParzen 窗主要思想就是直接利用样本来估计总体分布, 每一个样本对估计所起的作用依赖于它到x的距离.先验概率P(ωk)P(\omega_{k})P(ωk) 就是训练样本中每个类别的占比P(ωk)=nk∑i=1KniP\left(\omega_{k}\right)=\frac{n_{k}}{\sum_{i=1}^{K} n_{i}}P(ωk)=∑i=1Knink条件概率P(x∣ωk)P\left(x \mid \omega_{k}\right
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。