Lähim naaber meetod: näiteks töö

lähima naabri meetod on lihtsaim mõõdik klassifitseerija, mis põhineb hindamine sarnasust erinevate objektide kohta.

Analüüsitud objekt kuulub klassi, kuhu nad kuuluvad teemad koolituse proovi. Anna meile teada, mida on lähim naaber. Püüa mõista keeruline küsimus, näited erinevaid tehnikaid.

hüpoteesi meetodit

lähim naaber meetod võib pidada kõige levinum algoritm, mida kasutatakse liigitamisel. Objekti toimumas klassifikatsiooni klassi kuuluv y_i, mille lähim objekt õppimise x_i proovi.

Meetodite spetsiifilisust lähimad naabrid

k lähima naabri meetod võib parandada klassifitseerimise täpsust. Analüüsitud objekt kuulub samasse klassi suurema osa oma naabritega, see tähendab, k lähedal see objektide analüüsitud proovis x_i. Probleemide lahendamisel kahe klasside arvu naabrid on paaritu vältida olukorda ebaselgust, kui sama arvu naabrid kuuluvad erinevatesse klassidesse.

Tehnika peatatud naabrid

PostgreSQL-analüüsitud meetodi tsvector lähimad naabrid on kasutada klasside arvu vähemalt kolm, ja te ei saa kasutada paaritu arv. Aga ebaselgust tekib isegi nendel juhtudel. Seejärel i-nda naaber saab w_i kaalu, milline väheneb koos naabri rank i. See viitab klassi objekti, mis on maksimaalne kogukaal seas lähinaabrid.

Hüpoteesi kompaktsus

Keskmesse kõik eespool meetodid on hüpoteesi kompaktsust. See näitab seost meetme sarnasuse objektid ja nende kuuluvad samasse klassi. Sellises olukorras piiri erinevate on lihtsa vormi ja luua klassi objektide ruumi kompaktne kaasaskantav piirkonnas. Sellistes piirkondades matemaatilise analüüsi kohaselt tähendab suletud tõkestatud hulk. See hüpotees ei ole seotud igapäevaste taju sõna.

Aluselised valemiga

Uurigem rohkem lähim naaber. Kui kavandatud koolituse proovi tüüp "objekti-vastuse» X ^ m = \ {(x_1, y_1), \ dots, (x_m, y_m) \}; Kui paljusid objekte määratleda distantsi funktsiooni \ rho (x, x '), mis on esindatud kujul piisav mudeli sarnasust objektid suurendades funktsiooni väärtus väheneb sarnasuse objektid x, x'.

Iga objekt, u ehitab koolitus proovi objektid x_i üha vahemaad u:

\ Rho (u, x_ {1; u}) \ ekv \ rho (u, x_ {2; u}) \ ekv \ cdots \ ekv \ rho (u, x_ {m; u}),

kus x_ {i; u} iseloomustab objekti õppevalimis, mis on i-nda naaber lähteobjektil u. Selline märge ja kasutamise vastata i-nda naaber: y_ {i; u}. Selle tulemusena leiame, et iga objekti u provotseerib numeratsiooni oma proovi.

Arvu kindlaksmääramine k naabrid

lähim naaber meetod kui k = 1 on võimeline andes ekslikku liigitamist, mitte ainult objektide-heiteid, kuid ka muud liiki, mis on lähedal.

Kui me võtame k = m, algoritm on nii stabiilne ja muutuda püsiv väärtus. Sellepärast usaldusväärsust on oluline vältida äärmuslikku indeksite k.

Praktikas nii optimaalne indeks k kasutatud kriteeriumi libistades kontrolli.

seansid heitkoguseid

Objektide uuring on suuresti ebavõrdne, kuid nende hulgas on neid, kes on omadused klassi ja nimetatakse standarditele. At lähedus suhtes ideaalne mudel selle suure tõenäosusega kuuluvad sellesse klassi.

Kuidas rezultativen meetod lähimate naabritega? Näiteks võib näha põhjal perifeerse ja mitte-informatiivne kategooriad objektid. Eeldatakse tihe keskkond objekti teiste esindajad sellesse klassi. Kui neid eemaldada klassifitseerimise, et tahkete kvaliteet ei kannata.

Saa teatud arvu proove võib müra puruneb, mis on "kohapeal" klassi. Eemaldamine oluliselt positiivne mõju kvaliteedi klassifitseerimise.

Kui proov võetakse mitteinformatiivsete ja kõrvaldada müra objektid, mida võib loota mõne positiivseid tulemusi samal ajal.

Esimene interpolatsiooni meetodit lähima naabri klassifikatsioon võimaldab parandada, vähendada salvestatud andmeid, vähendada aega klassifikatsioon, mis on kulutatud valikut järgmise standarditele.

Kasutamine ultra-suure proovide

lähim naaber meetod põhineb reaalse ladustamise õpiobjektide. Et luua väga suurte proove kasutades tehniline probleem. Eesmärgiks on mitte ainult säästa märkimisväärse hulga teavet, vaid ka minimaalse aja jooksul on aega leida ühtegi objekti u k seas lähinaabritega.

Et tulla toime selle ülesande kahte meetodit kasutatakse:

• hõrendatud proovi kaudu heakskiidu suitsetamine andmeobjektidena;
• tõhus kasutamine erilist andmestruktuur ja koodid kohe lähimat naabritega.

Reeglid selektsiooni meetodite

Ülaltoodud klassifikatsiooni peeti. Lähim naaber meetodit kasutatakse praktiliste probleemide lahendamisel, mis on ette teada kaugus funktsiooni \ rho (x, x). Kirjeldades objektid numbriline vektoreid kasutada Eukleidese mõõdikuga. See valik ei ole eraldi põhjendama, kuid hõlmab mõõtmise kõiki märke "samas ulatuses." Kui see tegur ei võeta arvesse, siis mõõdik ülekaalus funktsioon Kõrgeima arvväärtusi.

Kui on olemas märkimisväärne hulk funktsioone, kauguse arvutamise summana kõrvalekalded konkreetsete sümptomite ilmnemisel tõsine probleem mõõde.

Kõrge ruumis üksteisest kaugel kõik objektid. Lõppkokkuvõttes iga proovi saab objekti kõrval uuritakse k naabritega. valitud väikese arvu informatiivne funktsioone kõrvaldada see probleem. Algoritmid arvutamisega ehitada põhjal erineva märke ja iga üksiku ehitada oma läheduse funktsiooni.

järeldus

Matemaatiline arvutused hõlmavad sageli kasutada erinevaid tehnikaid, mis on oma iseloomulikud tunnused, eelised ja puudused. Vaadatud lähima naabri meetod võib lahendada üsna tõsine probleem, sest omadused matemaatilisi objekte. Eksperimentaalne mõiste, mis põhineb analüüsitud meetodi aktiivselt kasutab tehisintellekti.

Kui ekspert süsteemid on vaja mitte ainult klassifitseerida objekte, vaid ka näidata kasutajale selgitus kõnealuse klassifikatsiooni. Selle meetodi selgituse selle nähtuse suhtes avaldatakse objektile teatud liigis samuti selle asend kasutatud proovi. Õiguslik tööstuse spetsialistide geoloogid, arstid, seda "pretsedendi" loogika aktiivselt kasutada seda oma uuringutega.

Selleks tuleb analüüsida meetod oli kõige usaldusväärsemaks, tõhusamaks, andes soovitud tulemusi, siis tuleb võtta vähemalt joonisel k, samas vältida heitkoguste hulka analüüsida objektide kohta. Sellepärast standardite kasutamise ja valiku meetod, samuti optimeerimine mõõdikud.