上篇文章我们介绍了Parzen窗无参数估计的方法,这篇文章主要介绍令外一种无参数估计方法——K近邻法(KNN)。然后基于K近邻的原理,简单介绍K近邻分类器
前文讲过,与Parzen窗方法不同的是,K近邻估计要求每个空间窗口含有相同数目的个样本数据。
根据第x个空间的相对大小,来衡量该空间中心的概率密度,有
因此只要计算出第x个空间包含个样本的窗口空间,即可求出x点处的概率密度。
先考虑一维情况
上篇文章我们介绍了Parzen窗无参数估计的方法,这篇文章主要介绍令外一种无参数估计方法——K近邻法(KNN)。然后基于K近邻的原理,简单介绍K近邻分类器
前文讲过,与Parzen窗方法不同的是,K近邻估计要求每个空间窗口含有相同数目的个样本数据。
根据第x个空间的相对大小,来衡量该空间中心的概率密度,有
因此只要计算出第x个空间包含个样本的窗口空间,即可求出x点处的概率密度。
先考虑一维情况