KNN原理：基于特征距离的分类方法

阅读量：

机器 learning 系统；
机器 learning 方法建立在数据生成模型的基础上发展出这一类技术基础，并涵盖有监督 learning、半监督 learning、无 supervision learning 以及强化 learning 等技术路径。

有监督学习:

复制代码

    数据集样本是否有学习对象标签y,有的话就是有监督学习,反之
    
    尝试找一个模型学习特征值x与目标值y之间的关系
    
    可分为分类问题和回归问题
    
    分类任务中标签y都是离散值(类别型变量)
    
    回归任务中标签y都是连续值

无监督学习:

复制代码

    不带任何标签数据特征进行建模,数据自己学习自己,
    
    聚类任务和降维任务

半监督学习:

复制代码

    标签y有一部分是空值

强化学习:

复制代码

    将学习看成是试探评价的过程,以试错的方式进行学习,并与环境进行交互,已获得奖惩指导行为,以及作为评价
    
    奖惩机制就是预测正确加分,预测错误减分boosting

2.k临近算法
k-NN(k-Neareat Neighbor)

学会k-NN算法三步(远亲不如紧邻):

复制代码

了解k-NN算法思想(最靠近的几个点特征)
    
    将测试点同样本数

全部评论 (0)

还没有任何评论哟~