知识卡片
近邻数量替代固定半径
kNN先按选定距离找到最近k个训练样本,再用类别投票预测。固定半径在稀疏处可能没有邻居、密集处过多,固定k可调节范围;k、尺度、距离与平局规则仍影响结果,不能从一个非线性案例推断它普遍优于线性方法。
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10章 kNN:推荐系统 第10章 kNN:推荐系统 · 查看原书依据
改成参照与它最近的k个点。这些点就称为k近邻。一旦我们找到了k近邻,分析它们都是属于什么类别的,然后根据少数服从多数原则来为目标点定义类别。让我们把上面的思路用代码写出来。 首先,加载数据集: df<-read.csv('data/example_data.csv') head(
参考来源
- 位置:《机器学习:实用案例解析》第10章《第10章 kNN:推荐系统》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3117.html,spine3223)
- 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。
- 原始内容:改成参照与它最近的k个点。这些点就称为k近邻。一旦我们找到了k近邻,分析它们都是属于什么类别的,然后根据少数服从多数原则来为目标点定义类别。让我们把上面的思路用代码写出来。 首先,加载数据集: df<-read.csv('data/example_data.csv') head(