Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
Đang tạo bản xem trước...
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.
Mô tả
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.
Tóm tắt AI
- Tên tài liệu
- Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
- Trường / Môn
- University Wisconsin-Madison · Machine learning
- Nội dung
- 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.
- Mục lục
- 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
- Số trang
- 23 trang
- Người đăng
- Uni24h
Câu hỏi thường gặp
Tài liệu này có miễn phí không?
Có. “Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)” miễn phí — bạn chỉ cần đăng nhập rồi bấm Tải xuống để lấy file gốc.
Tài liệu dài bao nhiêu trang?
Tài liệu gồm 23 trang, thuộc môn Machine learning. Bạn có thể xem trước online trước khi tải.
Tôi có thể xem trước trước khi tải không?
Có. Bạn xem trước tài liệu ngay trên trang này bằng trình đọc online, rồi quyết định tải về.
Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
Đang tạo bản xem trước...
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.
Đọc toàn bộ tài liệu
- Tên tài liệu
- Knn notes (02) (Phương pháp k láng giềng gần nhất k-NN)
- Trường / Môn
- University Wisconsin-Madison · Machine learning
- Nội dung
- 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.
- Mục lục
- 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
- Số trang
- 23 trang
- Người đăng
- Uni24h
Bình luận (0)
Chưa có bình luận nào. Hãy là người đầu tiên!
Eval algo notes (11) (Các kiểm định thống kê và so sánh thuật toán) - Sebastian Raschka
Refresher probabilities statistics (Xác suất và thống kê cho Machine Learning) - Afshine Amidi and Shervine Amidi
Ensembles notes (07) (Các phương pháp học ensemble) - Sebastian Raschka
Super cheatsheet machine learning (Khái niệm và công thức chính trong học máy) - Afshine Amidi and Shervine Amidi
Cheatsheet Deep Learning (Khái niệm chính về học sâu) - Afshine Amidi and Shervine Amidi
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
Chương 5.Thuyết tương đối - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 4. Tán xạ ánh sáng - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Chương 3.Phân cực ánh sáng - Vật lý đại cương 3 - TS.Nguyễn Thị Trang
Bình luận (0)
Chưa có bình luận nào. Hãy là người đầu tiên!