Mètode del veí més proper: exemple de treball

el mètode del veí més proper és el més fàcil classificador mètrica que es basa en l'avaluació de la similitud de diferents objectes.

objecte analitzat pertany a la classe a la qual pertanyen els subjectes de la mostra d'entrenament. Anem a esbrinar que és el veí més proper. Tractar d'entendre l'assumpte complicat, exemples de diferents tècniques.

mètode d'hipòtesis

mètode del veí més proper pot ser considerat com l'algoritme més comú utilitzat per a la classificació. Objecte procés de classificació pertany a la classe y_i, a la qual l'objecte més proper aprenentatge mostra x_i.

L'especificitat dels mètodes de veïns més propers

k mètode del veí més proper pot millorar la precisió de la classificació. objecte analitzat pertany a la mateixa classe que la major part dels seus veïns, és a dir, k prop d'ella objectes de la x_i mostra analitzada. En la solució de problemes amb dues classes del nombre de veïns serà estrany per evitar una situació d'ambigüitat, si el mateix nombre de veïns pertanyerà a diferents classes.

La tècnica dels veïns suspesos

mètode analitzat postgresql-tsvector veïns més propers s'utilitza quan el nombre de classes almenys tres, i no es pot utilitzar un nombre imparell. Però l'ambigüitat sorgeix fins i tot en aquests casos. Llavors, el veí d'ordre i es posa pes w_i, que disminueix amb el rang veí i. Es refereix a la classe de l'objecte, el que tindrà un pes total màxim entre veïns propers.

La hipòtesi de compacitat

Al cor de tots els mètodes anteriors és la hipòtesi de compacitat. Es suggereix una connexió entre la mesura de la similitud dels objectes i la seva pertinença a la mateixa classe. En aquesta situació, el límit entre els diferents tipus és una forma senzilla, i crear classes d'objectes en l'espai mòbil compacte. En aquestes àrees en l'anàlisi matemàtica considera que significa un conjunt tancat i fitat. Aquesta hipòtesi no està relacionat amb la percepció quotidiana de la paraula.

La fórmula bàsica

Examinem més de veí més proper. Si la formació proposta tipus de mostra "objecte-resposta» X ^ m = \ {(x 1, y1) \ dots, (x_m, IM) \}; si una pluralitat d'objectes per definir la distància funció \ rho (x, x '), que està representat en forma d'un model de similitud adequada dels objectes mitjançant l'augment del valor de la funció disminueix similitud entre els objectes x, x'.

Per a qualsevol objecte, o serà construir una mostra d'entrenament objectes x_i amb l'augment de les distàncies de u:

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

on x_ {i; u} caracteritza la mostra objecte d'aprenentatge, que és i-èsim objecte d'origen veí u. Tal notació i ús per respondre a i-èsim veí: y_ {i; u}. Com a resultat, ens trobem que qualsevol objecte o provoca renumeració pròpia mostra.

Determinació del nombre k de veïns

mètode del veí més proper quan k = 1 és capaç de donar una classificació errònia, no només en els objectes d'emissions, sinó també per a altres classes que són a prop.

Si prenem k = m, l'algoritme serà tan estable i degenerarà en un valor constant. És per això que la fiabilitat és important evitar els índexs k extremes.

A la pràctica, lliscant el control criteri com l'índex òptim k utilitza.

les emissions de projeccions

Els objectes d'estudi són en gran mesura desigual, però entre ells hi ha els que tenen les característiques d'una classe i es coneixen com a normes. En la proximitat del subjecte al model ideal de la seva alta probabilitat de pertinença a aquesta classe.

Com rezultativen mètode de veïns més pròxims? Un exemple es pot veure a la base de categories perifèriques i no informatius d'objectes. Se suposa ambient dens dels objectes d'altres representants d'aquesta classe. Quan es treu des de la classificació de mostreig de la qualitat no es veurà afectada.

Entrar en un cert nombre de mostres podrà ràfegues de soroll que estan "en el terreny" d'una classe. Extracció d'impacte substancialment positiu en la qualitat de la classificació.

Si la mostra presa dels objectes de soroll poc informatius i eliminar, compti amb uns resultats positius al mateix temps.

El primer mètode d'interpolació de la classificació del veí més proper permet millorar la qualitat, reduir la quantitat de dades emmagatzemades, reduir el temps de classificació, que es gasta en l'elecció de les següents normes.

L'ús de mostres ultra-grans

mètode del veí més proper es basa en l'emmagatzematge real dels objectes d'aprenentatge. Per crear mateixes mostres a gran escala que utilitzen un problema tècnic. L'objectiu no és només per estalviar una quantitat significativa d'informació, sinó també en la quantitat mínima de temps per tenir temps per trobar qualsevol objecte o k entre els veïns més propers.

Per fer front a aquesta tasca, s'utilitzen dos mètodes:

• mostra aprimada a través d'un objectes de descàrrega no són de dades;
• ús especial estructura de dades eficaç i codis per a la recerca immediata dels veïns més propers.

Regles de mètodes de selecció

La classificació anterior es va considerar. Més proper mètode del veí s'utilitza en la solució de problemes pràctics, que es coneix per endavant la distància funció \ rho (x, x '). En els objectes que descriuen vectors numèrics utilitzen una mètrica euclidiana. Aquesta elecció no té cap justificació especial, sinó que implica el mesurament de tots els signes "a la mateixa escala." Si aquest factor no es té en compte, a continuació, la mètrica predominarà característica de tenir alts valors numèrics.

Si hi ha una quantitat substancial de característiques, el càlcul de la distància com la suma de les desviacions sobre els símptomes específics apareixerà dimensió greu problema.

En espai dimensional d'alta distants una de l'altra voluntat tots els objectes. Al final, qualsevol mostra serà al costat de l'objecte estudiat k veïns. seleccionat un petit nombre de característiques informatives per eliminar aquest problema. Els algoritmes per al càlcul de les estimacions es basen en la base de diferents conjunts de senyals, i per a cada individu desenvolupar la seva funció de proximitat.

conclusió

Els càlculs matemàtics sovint impliquen l'ús d'una varietat de tècniques que tenen les seves pròpies distintives característiques, avantatges i desavantatges. Vist el mètode del veí més proper pot resoldre un problema molt greu, a causa de les característiques dels objectes matemàtics. El concepte experimental, basat en el mètode analitzat està sent utilitzada activament en la intel·ligència artificial.

En els sistemes experts és necessari no només per classificar objectes, sinó també mostrar a l'usuari una explicació de la classificació de què es tracti. En aquest mètode, una explicació d'aquest fenomen s'expressen en relació amb l'objecte d'una classe particular, així com la seva ubicació respecte a la mostra utilitzada. especialistes de la indústria legals, geòlegs, metges, prenen aquesta lògica "precedent" que utilitzen activament en les seves investigacions.

Per tal de ser analitzats mètode era el més fiable, eficient, donant els resultats desitjats, s'ha de tenir una xifra mínima k, i al mateix temps evitar les emissions entre els objectes analitzats. És per això que l'ús d'estàndards i el mètode de selecció, així com les mètriques d'optimització.