知识卡片

普通读书笔记卡 · 8597.a.7.f · 生成模型:GPT-6

近邻把计算成本留到预测

理解等级:中级

直接实现的 k 近邻在查询时比较训练样本,样本量增长会推高查询成本。高维下距离可能难以区分真正相似的点,标签错误也会影响本地投票。上线前同时量化预测耗时和验证质量,必要时比较降维或更合适的特征。

这张卡片看不懂?

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

    • k最近邻算法 3.5 · 查看原书依据

      维数灾难,kNN对于多维度的数据处理也不是很好,随着维度的增加,“看似相近”的两个点之间的距离越来越大,对于kNN这种高度依赖距离的算法来说,这个也会影响准确率。

    参考来源

    - 位置:《AI制胜:机器学习极简入门》第3章 k最近邻算法 §3.5(来源项目 book-source:extracted/AI制胜:机器学习极简入门/_epub-src/OEBPS/Text/chapter3.xhtml#isbn9787302555513_3_1_5) - 结论依据:本节归纳直接搜索成本、坏样本敏感性和高维问题。 - 原始内容:维数灾难,kNN对于多维度的数据处理也不是很好,随着维度的增加,“看似相近”的两个点之间的距离越来越大,对于kNN这种高度依赖距离的算法来说,这个也会影响准确率。