Artimiausias kaimynas būdas: pavyzdys darbą

artimiausias kaimynas metodas yra paprasčiausias rodiklis klasifikatorius kuri remiasi įvairių objektų panašumo vertinimo.

Analizuojami objektas priklauso klasei, kuriai jie priklauso dalykus mokymo imtį. Leiskite mums sužinoti, kuris yra artimiausias kaimynas. Pabandykite suprasti sudėtingą klausimą, pavyzdžių įvairių metodų.

hipotezė metodas

Artimiausias kaimynas metodas gali būti laikomas labiausiai paplitusių algoritmas naudojamas klasifikavimui. Objekto vyksta klasifikaciją priklauso klasei y_i, kuriai artimiausias objektas mokymosi X_i mėginį.

Specifiškumas metodų artimiausių kaimynų

k artimiausio kaimyno metodu gali pagerinti klasifikavimo tikslumą. Analizuojami objektas priklauso tai pačiai klasei, kaip ir jos kaimynių urmu, tai yra, k netoli jos objektai analizuojamo mėginio X_i. Sprendžiant problemas, susijusias su dviejų klasių kaimynų skaičius bus keista, kad būtų išvengta dviprasmiškumo situaciją, jei tas pats skaičius kaimynais priklauso skirtingoms klasėms.

Iš sustabdytų kaimynių technika

PostgreSQL-analizuojama metodas tsvector artimiausių kaimynų yra naudojamas, kai ne mažiau kaip trijų klasių skaičius, ir jūs negalite naudoti nelyginis skaičius. Bet dviprasmiškumas kyla net ir šiais atvejais. Tada, i-asis kaimynas gauna w_i svorį, kuris mažėja su kaimynu rango i. Ji nurodo objekto klasės, kuri turės didžiausią bendrą svorį tarp artimų kaimynų.

Iš kompaktiškumas hipotezė

Tuo visi iš pirmiau minėtų metodų širdies yra kompaktiškumas hipotezė. Tai rodo ryšį tarp objektų panašumo matą ir jų priklauso tai pačiai klasei. Esant tokiai situacijai, tarp skirtingų tipų riba yra paprasta forma, ir sukurti klasių objektų kosmoso kompaktišką mobilųjį srityje. Esant tokioms sritims, matematinės analizės, turint galvoje uždarytą apribotą rinkinį. Ši hipotezė nėra susijęs su kasdienio suvokimo žodžio.

Pagrindinė formulė

Panagrinėkime daugiau artimiausią kaimyną. Jei siūlomas mokymo Pavyzdžio tipas "objektas-atsakas» X ^ m = \ {(x_1, y_1), \ dots, (x_m, y_m) \}; jei daugybės objektų apibrėžti nuotolinės funkcija \ Rho (x, X '), kuri turi būti atstovaujama tinkamo modelio panašumo objektų forma didinant funkcijos vertę mažėja panašumo tarp objektų x, x ".

Dėl bet kokio objekto, U statys mokymo imties objektai x_i didėjant atstumus u:

\ Rho (u, x_ {1; u}) \ leq \ Rho (u, x_ {2; u}) \ leq \ cdots \ leq \ Rho (u, x_ {m; u}),

kur x_ {i; u} apibūdina objekto mokymosi mėginį, kuris yra i-asis artimą kodo objekto u. Pavyzdžiui žymėjimas ir naudojimo atsakyti į I-ojo artimo: y_ {i; u}. Kaip rezultatas, mes pastebėjome, kad bet koks objektas U provokuoja numeraciją savo pavyzdį.

Nustatymas skaičių k kaimynų

Artimiausias kaimynas būdas, kai k = 1 gali duoti klaidingą klasifikavimą, ne tik apie daiktus-išmetimą, bet ir kitų klasių, kurios arti.

Jeigu mes priimsime k = m, algoritmas bus stabili ir peraugti į pastovios vertės. Štai kodėl patikimumas yra svarbu vengti ekstremalių indeksai k.

Praktikoje, kaip naudojamas optimalus indeksas k kriterijus stumdomas kontrolę.

Demonstravimas emisija

Studijų objektas yra daugiausia nevienodas, tačiau tarp jų yra tokių, kurie turi A klasės savybes ir yra vadinamos standartais. Tuo arti objekto prie idealaus modelio jos didelė tikimybė, priklausanti šioje klasėje.

Kaip rezultativen metodas artimiausių kaimynų? Pavyzdys gali būti vertinamas dėl periferinių ir neinformatyviomis kategorijų objektų pagrindu. Manoma, tankus aplinką objekto kitų atstovų šioje klasėje. Kai juos pašalinti iš mėginių ėmimo kokybę nebus kenčia klasifikaciją.

Patekti į tam tikrą skaičių mėginiai gali triukšmo eilių, kurie yra "ant žemės" yra A klasės. Šalinama iš esmės teigiamą poveikį dėl klasifikavimo kokybę.

Jei mėginys paimtas iš neinformatyvių ir pašalinti triukšmo objektus, galite pasikliauti keletą teigiamų rezultatų, tuo pačiu metu.

Pirmasis interpoliacijos metodas artimiausio kaimyno klasifikacija leidžia pagerinti kokybę, sumažinti saugomų duomenų kiekį, sumažinti klasifikaciją, kuri išleidžiama apie ateinančius standartus pasirinktu laiku.

Ultra-Large mėginių naudojimas

Artimiausias kaimynas metodas yra grindžiamas realiu saugojimo mokymosi objektų. Norėdami sukurti labai didelis masto mėginius naudojant techninę problemą. Siekiama ne tik sutaupyti didelę sumą informaciją, bet ir minimalų laiką turi laiko rasti jokių objektą U-k tarp artimiausių kaimynų.

Norėdami susidoroti su šia užduotimi, du metodai:

• plonesniose Pavyzdžio per turi išmetimo ne duomenų objektų;
• veiksmingai naudoti specialus duomenų struktūra ir kodai trumpąją ieškoti artimiausių kaimynų.

Taisyklės atrankos metodus

buvo laikomas virš klasifikacija. Artimiausias kaimynas metodas sprendžiant praktines problemas, kurios yra iš anksto žinomi nuotolinės funkcija \ Rho (x, x). Aprašant objektų skaitmeniniai vektoriai naudoti Euklidesowej metriką. Šis pasirinkimas neturi specialaus pagrindimo, bet apima visus požymius vertinimas "toje pačioje skalėje." Jei šis veiksnys nebuvo atsižvelgta, tada metrika dominuoja funkciją turintis aukščiausius skaitines vertes.

Jei yra nemažai funkcijų, apskaičiavimo atstumą kaip ir nukrypimus dėl konkrečių simptomų suma atrodo rimta problema aspektą.

Aukštos erdvėje toli viena nuo kitos bus visi objektai. Galiausiai, kiekvienas mėginys bus šalia objekto buvo tiriamas k kaimynus. pasirinkta nedidelį skaičių informacinių funkcijų, siekiant pašalinti šią problemą. Algoritmai apskaičiavimo sąmatas remtis įvairių rinkinių ženklų pagrindu, ir kiekvienam individui kurti savo artumo funkciją.

išvada

Matematiniai skaičiavimai dažnai susijusios su metodais, kurie turi savo išskirtinėmis savybėmis, privalumus ir trūkumus įvairių naudojimą. Peržiūrėta artimiausio kaimyno metodu galima išspręsti gana rimta problema, dėl matematinių objektų savybių. Eksperimentinis koncepcija, remiantis analizuojamu metodas yra aktyviai naudojami dirbtinio intelekto.

Per ekspertines sistemas būtina ne tik klasifikuoti objektus, bet ir parodyti naudotojui yra nagrinėjamo klasifikavimo paaiškinimą. Taikant šį metodą, esant šio reiškinio paaiškinimas yra išreiškiamas atsižvelgiant į konkrečios klasės objektą, taip pat jos vietos, palyginti su bandinyje. Teisiniai pramonės specialistai, geologai, gydytojai, imasi šio "precedentinį" logika aktyviai jį naudoti savo mokslinių tyrimų.

Tam, kad būtų analizuojama metodas buvo labiausiai patikimas, efektyvus, suteikiant norimų rezultatų, jūs turite imtis minimalų pav k, o taip pat išvengti emisiją tarp analizuojamų objektų. Štai kodėl standartų naudojimas ir atrankos metodas, taip pat optimizavimo metrikos.