班级 机器学习实验-计算机18级 实验内容 K-近邻算法及应用 姓名 程王宇 学号 3180701339 ##【实验目的】 1、理解K-近邻算法原理，能实现算法K近邻算法； 2、掌握常见的距离度量方法； 3、掌握K近邻树实现算法； 4、针对特定应用场景及数据，能应用K近邻解决实际问题。 ##【实验内 ...
分类：
编程语言 时间：
2021-05-24 15:46:26
阅读次数：
0
k近邻（k-NearestNeighbor，简称kNN）学习是一种常用的监督学习方法，其工作机制非常简单：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于k个“邻居”的信息来进行预测。1.最近邻检索（NearestNeighborSearch）最近邻检索就是根据数据的相似性，从数据库中寻找与目标数据最相似的项目。这种相似性通常会被量化到空间上数据之间的距离，可以认为数据
分类：
其他好文 时间：
2021-01-02 11:38:02
阅读次数：
0
文章链接：URL: https://arxiv.org/pdf/1912.03432.pdf 核心概述 本文作者从距离度量角度出发，探讨了现行SoTA FSL方法的优缺点，并且提出了一种 simple CNAPS 方法， 特征提取部分采用的是ResNet18+FiLM层（自适应任务）；最终分分类采用 ...
分类：
其他好文 时间：
2020-04-05 15:45:09
阅读次数：
322
k NN k NN 是一种基本分类和回归方法。对新实例进行分类时，通过已经训练的数据求出 k 个最近实例，通过多数表决进行分类。故 k 邻近算法具有不显式的学习过程。 三个基本要素：k 值选择，距离度量，分类决策规则。 1. k 近邻算法 原理：给定一个训练集，对于新输入的实例，在训练集中找到与其相 ...
分类：
编程语言 时间：
2020-03-28 10:33:21
阅读次数：
85
1. 信息熵 信息熵是信息论中用于度量信息量的一个概念。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。所以，信息熵也可以说是系统有序化程度的一个度量。信息量是对信息的度量，就跟时间的度量是秒一样，当我们考虑一个离散的随机变量 x 的时候，当我们观察到的这个变量的一个具体值的时 ...
分类：
其他好文 时间：
2020-03-12 14:25:08
阅读次数：
88
最近聆听了两个IEEE FELLOW的高论。周末北大林老师来学校做了个报告，讲了很多新的机器学习概念。但是本人更关注的低秩学习，林老师只字未提。虽然如此，林老师的论文最近还是深入研究了很多，有多少改进的空间先不说，一篇LADMAP就需要看好几篇论文甚至回溯到十几年前的一些论文。或者说，当目标函数中有 ...
分类：
其他好文 时间：
2019-12-16 13:18:11
阅读次数：
109
1. 欧氏距离(Euclidean Distance) 欧氏距离是最容易直观理解的距离度量方法，我们小学、初中和高中接触到的两个点在空间中的距离一般都是指欧氏距离。 二维平面上点a(x1,y1)与b(x2,y2)间的欧氏距离: 三维空间点a(x1,y1,z1)与b(x2,y2,z2)间的欧氏距离: ...
分类：
其他好文 时间：
2019-12-02 18:35:57
阅读次数：
109
一、算法原理 KNN算法是机器学习中最基本算法之一，属于惰性学习算法的典例。惰性指模型仅通过对训练数据集的记忆功能进行预测，而不产生判别函数。 KNN算法本身很简单，归纳为如下几步：①选择近邻数量k和距离度量的方法②找到待分类样本的k个最近邻③根据最近邻类标进行多数投票 二、超参数(结合sklear ...
分类：
编程语言 时间：
2019-11-28 23:06:36
阅读次数：
483
k NN是一种基本分类回归方法。k近邻法输出为实例类别，可以取多类 k NN假定给定一个训练集，其中的实例类别已定。分类时，对于新实例，根据其k个最近邻的训练实例的类别，通过多数表决等方式预测。因此，k NN不具有显式的学习过程 $k$的选择、距离度量及分类决策规则(如多数表决)是k NN的三个基本 ...
分类：
其他好文 时间：
2019-11-24 15:59:39
阅读次数：
53
https://blog.csdn.net/v_july_v/article/details/8203674 ...
分类：
编程语言 时间：
2019-11-02 15:26:10
阅读次数：
64
