知识卡片
距离度量决定近邻
KNN先按距离找到k个邻居,再做多数投票或数值平均。闵可夫斯基距离以p控制差异的聚合:p=1是曼哈顿距离,p=2是欧氏距离。特征量纲、无关维度和编码都会改变谁算“最近”;因此选k之外还须确定表示与度量,不能认为相同k在不同预处理下是同一模型。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第11章 机器学习模型可解释性 11.2 常见的可解释模型 · 查看原书依据
在KNN中,把计算对象之间的距离作为各个对象之间的非相似性指标,避免了对象之间的匹配问题,在KNN中常用的距离计算方法有欧氏距离、曼哈顿距离及闵可夫斯基距离,前两者是后者在取不同p值的特殊情况。闵可夫斯基距离公式如下:
参考来源
- 位置:《数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow》第11章 机器学习模型可解释性,11.2 常见的可解释模型(来源项目a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/数据科学工程实践 用户行为分析与建模、AB实验、SQLFlow/_epub-src/OEBPS/Text/part0062.xhtml)
- 结论依据:原文介绍三种距离及KNN按近邻分类/回归的机制。
- 原始内容:在KNN中,把计算对象之间的距离作为各个对象之间的非相似性指标,避免了对象之间的匹配问题,在KNN中常用的距离计算方法有欧氏距离、曼哈顿距离及闵可夫斯基距离,前两者是后者在取不同p值的特殊情况。闵可夫斯基距离公式如下: