Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
- 페이지 수
- 23
- 형식
- 크기
- 1.2 MB
- 연도
- 2018
- Trường
- University Wisconsin-Madison
- 조회수
- 0
- 댓글
- 0
- Lượt tải
- 0
미리보기 생성 중...
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.
- 문서명
- Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
- 학교 / 강의
- University Wisconsin-Madison · Machine learning
- 내용
- 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.
- 목차
- 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
- 페이지 수
- 23 페이지
- 업로더
- Uni24h
설명
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.
자주 묻는 질문
이 문서는 무료인가요?
네. “Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)” 문서는 무료입니다. 로그인 후 '다운로드'를 클릭하여 원본 파일을 받으세요.
이 문서는 몇 페이지로 되어 있나요?
이 문서는 23페이지입니다, Machine learning 과정용. 다운로드하기 전에 온라인으로 미리 볼 수 있습니다.
다운로드하기 전에 미리 볼 수 있나요?
네. 이 페이지의 온라인 리더를 통해 문서를 미리 본 후 다운로드 여부를 결정할 수 있습니다.
Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
미리보기 생성 중...
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.
- 문서명
- Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
- 학교 / 강의
- University Wisconsin-Madison · Machine learning
- 내용
- 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.
- 목차
- 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
- 페이지 수
- 23 페이지
- 업로더
- Uni24h
댓글 (0)
댓글이 없습니다. 첫 댓글을 남겨보세요!
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
댓글 (0)
댓글이 없습니다. 첫 댓글을 남겨보세요!