专业词汇
k 近邻(k-Nearest Neighbor)
密采样" (dense sample)
维数灾难 (curse of dimensionality)
降维(dimension red uction)
"子空间" (subspace)
"多维缩放" (Multiple Dimensional Scaling)
kNN
k近邻学习概述
- 超参数:k的选则
- 监督学习方法
- 给定测试样本–>(基于某种距离度量)最靠近这个样本的 k 个训练样本,然后基于这 k 个"邻居"的信息来进行预测
- 分类任务中可使用"投票法"
- 回归任务中时使用"平均法"
- 基于距离远近进行加权平均或加权投票
假设1:样本独立同分布
假设2:任意测试样本 a 附近任意小的距离范围内总能找到一个训练样本,训练样本的来样密度足够大(密采样)(这个假设怎么做到呢?:归一化!)
它是一种懒惰学习,此类学习技术在训练阶段仅仅是把样本保存起来,训练时间开销为零,待收到 测试样本后再进行处理
之前的算法,那些在训练阶段就对样本进行学习处理的方法,称为急切学习
研究完贝叶斯分类器再回来分析kNN的错误率