Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
- ページ数
- 23
- 形式
- サイズ
- 1.2 MB
- 年
- 2018
- Trường
- University Wisconsin-Madison
- 閲覧数
- 0
- コメント
- 0
- Lượt tải
- 0
プレビューを生成中...
Bài giảng về phương pháp k láng giềng gần nhất (k-NN), bao gồm giới thiệu, phân loại, hồi quy, lời nguyền chiều, độ phức tạp tính toán và các biến thể.
- ドキュメント名
- Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
- 学校 / コース
- University Wisconsin-Madison · Machine learning
- 内容
- Tài liệu này trình bày chi tiết về các phương pháp Hàng xóm Gần nhất, đặc biệt là thuật toán k-Nearest Neighbor (k NN). Nó bao gồm giới thiệu, thuật toán, ứng dụng, các vấn đề liên quan như độ phức tạp và cách cải thiện, cùng với các phương pháp đo lường và ưu nhược điểm.
- 目次
- 2 Nearest Neighbor Methods
- 2.1 Introduction
- 2.1.1 Key concepts
- 2.1.2 Nearest Neighbor Classification In Context
- 2.1.3 Common Use Cases of k NN
- 2.2 Nearest Neighbor Algorithm
- 2.3 Nearest Neighbor Decision Boundary
- 2.4 k -Nearest Neighbor Classification and Regression
- 2.4.1 Classification
- 2.4.2 Regression
- 2.5 Curse of Dimensionality
- 2.6 Computational Complexity and the Big-O Notation
- 2.6.1 Big O of k NN
- 2.7 Improving Computational Performance
- 2.7.1 Naive k NN Algorithm in Pseudocode
- 2.7.2 Data Structures
- 2.7.3 Dimensionality Reduction
- 2.7.4 Faster Distance Metric/Heuristic
- 2.7.5 “Pruning”
- 2.7.6 Parallelizing k NN
- 2.8 Distance measures
- 2.8.1 Discrete Features
- 2.8.2 Feature Weighting
- 2.9 Distance-weighted k NN
- 2.10 Improving Predictive Performance
- 2.11 Error Bounds
- 2.12 k NN from a Bayesian Perspective
- 2.13 Advantages and Disadvantages of k NN
- 2.14 Other Forms of Instance-based Learning
- 2.14.1 Locally Weighted Regression
- 2.14.2 Kernel Methods
- 2.15 k NN in Python
- 2.16 Resources
- 2.17 Assigned Reading
- 2.18 Further Reading
- ページ数
- 23 ページ
- アップロード者
- Uni24h
説明
Trích nội dung tài liệu
STAT 479: Machine Learning Lecture Notes Sebastian Raschka Department of Statistics University of Wisconsin–Madison http://stat.wisc.edu/∼sraschka/teaching/stat479-fs2018/ Fall 2018 Contents 2 Nearest Neighbor Methods 2.1 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2.1.1 Key concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2.1.2 Nearest Neighbor Classification In Context . . . . . . . . . . . . . . . 2 2.1.3 Common Use Cases of k NN . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Nearest Neighbor Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.3 Nearest Neighbor Decision Boundary . . . . . . . . . . . . . . . . . . . . . . . 4 2.4 k -Nearest Neighbor Classification and Regression . . . . . . . . . . . . . . . . 5 2.4.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4.2 Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.5 Curse of Dimensionality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.6 Computational Complexity and the Big-O Notation . . . . . . . . . . . . . . 8 2.6.1 2.7 2.8 Big O of k NN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Improving Computational Performance . . . . . . . . . . . . . . . . . . . . . . 10 2.7.1 Naive k NN Algorithm in Pseudocode . . . . . . . . . . . . . . . . . . . 10 2.7.2 Data Structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.7.3 Dimensionality Reduction . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.7.4 Faster Distance Metric/Heuristic . . . . . . . . . . . . . . . . . . . . . 12 2.7.5 “Pruning” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.7.6 Parallelizing k NN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 Distance measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.
よくある質問
このドキュメントは無料ですか？
はい。「Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)」は無料です。ログインして「ダウンロード」をクリックするだけで、元のファイルを取得できます。
このドキュメントは何ページありますか？
このドキュメントは 23 ページあります（Machine learning コース用）。ダウンロードする前にオンラインでプレビューできます。
ダウンロードする前にプレビューできますか？
はい。このページにあるオンラインリーダーでドキュメントをプレビューし、その後ダウンロードするかどうかを決めることができます。
Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
プレビューを生成中...
Trích nội dung tài liệu
STAT 479: Machine Learning Lecture Notes Sebastian Raschka Department of Statistics University of Wisconsin–Madison http://stat.wisc.edu/∼sraschka/teaching/stat479-fs2018/ Fall 2018 Contents 2 Nearest Neighbor Methods 2.1 1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2.1.1 Key concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1 2.1.2 Nearest Neighbor Classification In Context . . . . . . . . . . . . . . . 2 2.1.3 Common Use Cases of k NN . . . . . . . . . . . . . . . . . . . . . . . . 3 2.2 Nearest Neighbor Algorithm . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 2.3 Nearest Neighbor Decision Boundary . . . . . . . . . . . . . . . . . . . . . . . 4 2.4 k -Nearest Neighbor Classification and Regression . . . . . . . . . . . . . . . . 5 2.4.1 Classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 2.4.2 Regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.5 Curse of Dimensionality . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7 2.6 Computational Complexity and the Big-O Notation . . . . . . . . . . . . . . 8 2.6.1 2.7 2.8 Big O of k NN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10 Improving Computational Performance . . . . . . . . . . . . . . . . . . . . . . 10 2.7.1 Naive k NN Algorithm in Pseudocode . . . . . . . . . . . . . . . . . . . 10 2.7.2 Data Structures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11 2.7.3 Dimensionality Reduction . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.7.4 Faster Distance Metric/Heuristic . . . . . . . . . . . . . . . . . . . . . 12 2.7.5 “Pruning” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12 2.7.6 Parallelizing k NN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 Distance measures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13 2.
- ドキュメント名
- Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
- 学校 / コース
- University Wisconsin-Madison · Machine learning
- 内容
- Tài liệu này trình bày chi tiết về các phương pháp Hàng xóm Gần nhất, đặc biệt là thuật toán k-Nearest Neighbor (k NN). Nó bao gồm giới thiệu, thuật toán, ứng dụng, các vấn đề liên quan như độ phức tạp và cách cải thiện, cùng với các phương pháp đo lường và ưu nhược điểm.
- 目次
- 2 Nearest Neighbor Methods
- 2.1 Introduction
- 2.1.1 Key concepts
- 2.1.2 Nearest Neighbor Classification In Context
- 2.1.3 Common Use Cases of k NN
- 2.2 Nearest Neighbor Algorithm
- 2.3 Nearest Neighbor Decision Boundary
- 2.4 k -Nearest Neighbor Classification and Regression
- 2.4.1 Classification
- 2.4.2 Regression
- 2.5 Curse of Dimensionality
- 2.6 Computational Complexity and the Big-O Notation
- 2.6.1 Big O of k NN
- 2.7 Improving Computational Performance
- 2.7.1 Naive k NN Algorithm in Pseudocode
- 2.7.2 Data Structures
- 2.7.3 Dimensionality Reduction
- 2.7.4 Faster Distance Metric/Heuristic
- 2.7.5 “Pruning”
- 2.7.6 Parallelizing k NN
- 2.8 Distance measures
- 2.8.1 Discrete Features
- 2.8.2 Feature Weighting
- 2.9 Distance-weighted k NN
- 2.10 Improving Predictive Performance
- 2.11 Error Bounds
- 2.12 k NN from a Bayesian Perspective
- 2.13 Advantages and Disadvantages of k NN
- 2.14 Other Forms of Instance-based Learning
- 2.14.1 Locally Weighted Regression
- 2.14.2 Kernel Methods
- 2.15 k NN in Python
- 2.16 Resources
- 2.17 Assigned Reading
- 2.18 Further Reading
- ページ数
- 23 ページ
- アップロード者
- Uni24h
コメント (0)
まだコメントはありません。最初のコメントを書きましょう！
Trees notes (06) (Cây quyết định trong Máy học) - Sebastian Raschka
Feat extract slides (14) (Giảm chiều dữ liệu, tập trung vào trích xuất đặc trưng) - Sebastian Raschka
Eval intro slides (08) (Đánh giá mô hình, overfitting và underfitting, phân rã bias-variance trong Máy học) - Sebastian Raschka
Machine learning tips and tricks (Tổng hợp mẹo về học máy)
Eval algo notes (11) (Các kiểm định thống kê và so sánh thuật toán) - Sebastian Raschka
Tổng hợp Đề Toán 5 - Luyện thi vào Lớp 6 - CLB EMath
Bài giảng vật lý đại cương (Chương 3) - Đỗ Ngọc Uấn
Chương 8.Nguyên tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 7.Cơ học lượng tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 6.Quang học lượng tử - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
コメント (0)
まだコメントはありません。最初のコメントを書きましょう！