标签:KNN 维空间 kd python KD 距离 坐标轴 欧氏 度量
k近邻模型(k-Nearest Neighbors)
1.三个基本要素:距离度量、k值的选择、分类决策规则
当基本要素确定后,对于新的输入实例,它所属的类唯一确定
3.单元:对于每个训练点x,距离该点比其他点更近的所有点组成的区域
每个训练点有一个单元
4.距离度量:n维实数向量空间R^n,使用的距离是欧氏距离,也可以是其他距离(曼哈顿距离、Lp距离等)
(由不同距离度量所确定的最近邻点是不同的)
欧氏距离:
5.k值的选择:会对结果产生重大影响
6.分类决策规则:
多数表决:k近邻多数类决定
构造kd树
kd树是一种二叉树,表示对k维空间的一个划分。构造kd树相当于不断地用垂直于坐标轴的超平面将k维空间切分,构成一系列的k维超矩形区域
方法:通常选择坐标轴上的中位数为切分点
搜索kd树
标签:KNN,维空间,kd,python,KD,距离,坐标轴,欧氏,度量 来源: https://www.cnblogs.com/nvwang123/p/15490645.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。