知识卡片
近邻把计算成本留到预测
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?
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
- 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。