k-NN

k邻算法选择 k=1时,称为最近邻算法。此时,每个样本组成一个邻域,训练误差为0。 一般来说,训练误差时预测误差的一个over estimation。所以通常需要一个测试误差来衡量算法的performance。 那么测试误差会是多少呢? 通常会比随机猜测要高。

k= 1 时,算法是比较敏感的,一般有三个方法进行改进:

1、选择  k>1  (k 选择合适的话,错误率会比k=1时要低,但是k选择过大,错误率会升高。通常使用交叉检验的方法选择k)

2、选择更好的距离度量。

欧式距离对平移、形变、旋转等很敏感,所有应用场景有限。如果使用k-nn计算两个图像之间的距离,可能shape content是更好的选择。

3、选择更好的特征。

特征选择需要专业知识,太多的无关特征不是对准确率没有提升,而是降低了算法的准确率。

 

一般的k-nn 算法非常慢,幸运的是python 库中有 加速算法  ,比如locality sensitive hashing, Ball -trees, d-k trees。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

xieshangxin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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