Tuvākais kaimiņš metode: piemērs darba

tuvākais kaimiņš metode ir vieglākais metriskās klasifikators, kas balstās uz novērtējumu līdzības dažādu objektu.

Analizēti objekts pieder klasei, kurai tās pieder priekšmetus mācību paraugu. Ļaujiet mums uzzināt, kas ir tuvākais kaimiņš. Mēģināt saprast sarežģītu lietu, piemēri dažādās tehnikās.

hipotēze metode

tuvākais kaimiņš metodi var uzskatīt par visbiežāk algoritmu izmanto klasificēšanai. Objektu notiek klasifikāciju pieder klases y_i, uz kuriem tuvākais objekts mācību x_i paraugu.

Specifiskums metožu tuvākajiem kaimiņiem

k tuvāko kaimiņu metodi var uzlabot precizitāti klasifikāciju. Analizēti objekts pieder pie tās pašas grupas kā lielāko daļu no saviem kaimiņiem, tas ir, k tuvu tā iebilst analizējamā parauga x_i. Atrisināt problēmas ar divām klasēm skaita kaimiņiem būs nepāra, lai izvairītos no situācijas neskaidrību, ja pats skaits kaimiņiem piederēs dažādām klasēm.

Tehnika ir apturēta kaimiņiem

PostgreSQL analizēja metode tsvector tuvākajiem kaimiņiem tiek izmantots, kad klašu skaitu vismaz trīs, un jūs nevarat izmantot nepāra numuru. Bet neskaidrība rodas arī šādos gadījumos. Tad, i-kaimiņš izpaužas w_i svaru, kas samazina ar kaimiņu rank i. Tas attiecas uz klases objektu, kas būs maksimālo kopējo svaru starp tuviem kaimiņiem.

Hipotēze kompaktums

Pie sirds visus iepriekš metodēm ir hipotēze kompaktums. Tas liecina par saistību starp pasākumu līdzību objektu un to, kas pieder pie tās pašas klases. Šādā situācijā, robeža starp dažādiem ir vienkāršs veids, kā izveidot klases objektu kosmosa kompaktā mobilajā zonā. Šādos apgabalos matemātiskās analīzes, lai nozīmē slēgts norobežotā komplektu. Šī hipotēze nav saistīta ar ikdienas uztveri vārda.

Pamata formula

Ļaujiet mums pārbaudīt vairāk tuvākais kaimiņš. Ja piedāvātais mācību izlases veida "objekts-atbilde» X ^ m = \ {(x_1, y_1), \ punkti (x_m, y_m) \}; ja daudzus objektus, lai noteiktu attālumu funkcija \ Rho (x, x "), kas ir pārstāvēta veidā atbilstošu modeļa līdzību objektu, palielinot vērtību funkcija samazina līdzību starp objektiem x, x".

Attiecībā uz jebkuru objektu, u būs veidot mācību paraugs objektus x_i ar pieaugošo attālumus u:

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

kur x_ {i; u} raksturo objekta mācību paraugu, kas ir i-tā kaimiņš koda objektu u. Šādu apzīmējumu un izmantot, lai atbildētu uz i-th tuvākajam y_ {i; u}. Tā rezultātā, mēs atklājam, ka jebkurš objekts u provocē pārnumurēšana savu paraugu.

Noteikšana skaitļa k kaimiņiem

tuvākais kaimiņš metode, ja k = 1 ir spējīga sniedzot kļūdainu klasifikāciju, ne tikai uz objektiem emisijas, bet arī citām klasēm, kas ir tuvumā.

Ja mēs ņemtu k = m, algoritms būs kā stabils un būs pārvērsties konstantu vērtību. Tas ir iemesls, kāpēc drošība ir svarīga, lai izvairītos no galējās indeksi k.

Praksē, kā optimālais rādītājs k izmantots kritērijs bīdāmās kontroli.

ekranizējumi emisijas

No pētījuma objekti ir lielā mērā ir atšķirīgi, bet starp viņiem ir tādi, kas ir īpašības klases, un tiek saukti par standartiem. Pēc tuvumu, uz ideālu modeli tā augsto varbūtību pieder šai klasei.

Kā rezultativen metode tuvākajiem kaimiņiem? Piemērs ir redzams, pamatojoties uz perifēro un neinformatīviem kategoriju objektiem. Tiek pieņemts, blīvu vidi objekta pārējo pārstāvju šajā klasē. Kad jūs izņemt tos no klasifikācijas izlases kvalitāte necietīs.

Nokļūt noteiktu paraugu skaitu var trokšņu pārrāvumi, kas ir "uz vietas", no klases. būtiski pozitīvi ietekmēt klasifikācijas kvalitāti noņemšana.

Ja paraugs ņemts no uninformative un novērstu trokšņa objektiem, jūs varat paļauties uz dažiem pozitīviem rezultātiem, tajā pašā laikā.

Pirmā interpolācijas metode tuvāko kaimiņu klasifikācija ļauj uzlabot kvalitāti, samazināt saglabāto datu, samazināt laiku klasifikācijas, kas tiek tērēta izvēli nākamajiem standartiem.

Ar ultra lielu paraugu izmantošana

tuvākais kaimiņš metode ir balstīta uz reālo uzglabāšanu mācību priekšmetiem. Lai izveidotu ļoti liela mēroga paraugus, izmantojot tehnisku problēmu. Mērķis ir ne tikai ietaupīt ievērojamu daudzumu informācijas, bet arī minimālo laiku, lai ir laiks, lai atrastu jebkuru objektu u k starp tuvākajiem kaimiņiem.

Lai tiktu galā ar šo uzdevumu, tiek izmantotas divas metodes:

• retināts paraugs via a izlādes non-datu objektiem;
• efektīva izmantošana īpašs datu struktūra un kodi tūlītēju meklēšanu tuvākajiem kaimiņiem.

Noteikumi atlases metodes

Iepriekš klasifikācija tika uzskatīts. Tuvākais kaimiņš metode tiek izmantota praktiskas problēmas, kas ir zināmi jau iepriekš attālumu funkcija \ Rho risināšanā (x, x). Raksturojot objektu ciparu vektori izmantot Eiklīda rādītāju. Šī izvēle nav īpaša pamatojuma, bet ietver mērījumus visu zīmju "tajā pašā mērogā." Ja šis faktors netiek ņemts vērā, tad metrika dominē līdzekli, kam ir visaugstākie skaitliskās vērtības.

Ja ir ievērojams daudzums funkcijas, aprēķinot attālumu kā summu novirzēm par īpašiem simptomiem nopietnu problēmu dimensija.

Ar augstu dimensiju telpā tālu viena no otras būs visi objekti. Galu galā, kāds paraugs būs blakus objektam tiek pētīta k kaimiņiem. atlasīts neliels skaits informatīvu funkcijas, lai novērstu šo problēmu. Algoritmi aprēķināšanai aprēķinus veidot, balstoties uz dažādu veidu pazīmes, un katram indivīdam veidot savu tuvuma funkciju.

secinājums

Matemātiskie aprēķini bieži ietver izmantot dažādus paņēmienus, kas ir savas atšķirīgas iezīmes, priekšrocības un trūkumi. Skatīts tuvāko kaimiņu metodi var atrisināt diezgan nopietna problēma, dēļ īpašībām matemātisko objektu. Eksperimentālā koncepcija, kas balstīta uz analizēto metodes tiek aktīvi izmantots mākslīgais intelekts.

Ar ekspertu sistēmās ir nepieciešams ne tikai klasificēt objektus, bet arī parādīt lietotājam skaidrojumu par klasifikācijas jautājumu. Ar šo metodi, skaidrojums par šo parādību ir izteiktas attiecībā uz objektu konkrētas klases, kā arī tās atrašanās vieta attiecībā pret izmantotā parauga. Juridiskie nozares speciālisti, ģeologi, ārsti, šo "precedenta" loģiku aktīvi izmantot to savā pētījumā.

Lai jāanalizē metode bija visticamākais, efektīvu, norādot vēlamos rezultātus, jums ir jāveic minimālais skaitlis k, bet arī izvairīties no emisijas starp analizētajiem objektiem. Tieši tāpēc standartu izmantošana un atlases metode, kā arī optimizācijas rādītājus.