En yakın komşu yöntemi: işin örnek

komşu algoritması farklı nesnelerin benzerlik değerlendirilmesine dayalıdır en kolay metrik sınıflandırıcı olduğunu.

Analiz nesne onlar antrenman numunesinin konularını ait olduğu sınıfa aittir. Bize en yakın komşusu olan öğrenelim. Karmaşık konuyu, farklı tekniklerin örnekleri anlamaya çalış.

hipotez yöntemi

komşu algoritması sınıflandırma için kullanılan en yaygın algoritma olarak düşünülebilir. sınıflandırma geçiren Nesne x_i numuneyi öğrenme hangi yakın obje için, sınıf Y_I aittir.

yöntemlerden en yakın komşuları arasında Özgünlük

sınıflandırma doğruluğunu artırabilir yakın komşu yöntemini k. Analiz nesne numunede x_i amaçlan için yani yakın k, komşularının kütlesi ile aynı sınıfa aittir. komşuları aynı sayıda farklı sınıflara ait olacaktır eğer komşuları sayısının iki sınıf sorunların çözümü olarak, belirsizlik durumu önlemek için tek olacaktır.

asma komşularının tekniği

sınıflar en az üç sayısı ve bir tek sayı kullanamadığı zaman kullanılır yakın tsvector komşuları postgresql-analiz yöntemi. Ama belirsizlik bile bu durumlarda ortaya çıkar. Daha sonra, i-inci komşu komşu rank ı ile azalır w_i ağırlığını, alır. Bu yakın komşuları arasındaki azami toplam ağırlığa sahip olacaktır nesne sınıfına değinmektedir.

kompaktlığın hipotezi

Yukarıdaki yöntemlerin tümü kalbinde kompaktlığın hipotezdir. Bu nesneler benzerlik ölçüsü ve aynı sınıfa ait arasında bir bağlantı göstermektedir. Bu durumda, farklı türde arasındaki sınır basit formudur ve uzay kompakt mobil alandaki nesnelerin sınıflarını oluşturmak. Bu tür alanlarda altında matematiksel analizde kapalı sınırlı bir set anlaşılır. Bu hipotez kelimenin günlük algı ilişkili değildir.

temel formül

Bize daha yakın komşuluk inceleyelim. Eğer önerilen eğitim numune tipi "bir amacı yanıt» X ^ m = \ {(x_1, y_1), \ noktalar, (x_m, y_m) \}; çok sayıdaki nesnelerden uzaklık fonksiyonu \ rho (x, x ') tanımlamak için ise fonksiyon değerini artırarak nesneler yeterli bir modeli benzerlik şeklinde temsil edilir, X, nesneler arasındaki benzerlik azalır.'

Herhangi bir nesne için, u bir eğitim örneği u mesafeleri arttıkça x_i nesneleri inşa edecek:

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

burada x_ {i; u} u i-inci komşu kaynak nesnesidir nesne öğrenme örneği, karakterize etmektedir. Böyle notasyonu ve kullanımı i-inci komşusuna cevap: Y_ {i; u}. Sonuç olarak, herhangi bir nesne u kendi numuneyi yeniden numaralandırılması kışkırtır bulmak.

komşularının sayısı k Belirlenmesi

komşu algoritması k = 1 nesneler-emisyonları, aynı zamanda yakın diğer sınıflar için değil, hatalı bir sınıflandırma verme yeteneğine sahiptir.

Biz = m k alırsak, algoritma olarak kararlı olacak ve sabit bir değer olarak dejenere olacaktır. güvenilirlik aşırı endeksleri k önlemek önemlidir nedeni budur.

Uygulamada, optimum indeks k kullanıldığı gibi kriter kontrolünü kayar.

gösterimleri emisyonları

Çalışmanın nesneleri büyük ölçüde eşitsiz fakat aralarında bir sınıfın özelliklere sahip ve standartlara olarak anılır olanlar var. Bu sınıfa ait olmanın yüksek olasılık İdeal modeline konunun yakınlığı anda.

En yakın komşu nasıl rezultativen yöntemi? Bir örnek nesneleri çevresel olmayan bilgi kategorileri temelinde görülebilir. Bu sınıfın nesnenin diğer temsilcilerinin yoğun ortam varsayılır. Ne zaman acı olmayacak kalitesini örnekleme sınıflandırılması çıkarın.

Numunelerin bir sınıfın "gerekçesiyle" dir may gürültü patlamaları belli sayıda içine alın. sınıflandırma kalitesine büyük ölçüde olumlu etkisi kaldırılıyor.

Numune Uninformative ve ortadan kaldırmak gürültü nesnelerden alınan, aynı zamanda birkaç olumlu sonuçlar güvenebilirsiniz.

İlk ait interpolasyon yöntemi , en yakın komşu sınıflandırması, kalitesini artırmak depolanan veri miktarını azaltmak, sonraki standartların seçimine harcanmaktadır sınıflandırma, zamanını azaltmak için izin verir.

ultra büyük numunelerinin kullanımı

komşu algoritması öğrenme nesnelerinin gerçek depolama dayanmaktadır. Teknik bir sorun kullanarak çok büyük ölçekli örnekleri oluşturmak için. Amaç sadece bilgi önemli miktarda tasarruf değil, aynı zamanda minimum süre u en yakın komşuları arasında k herhangi bir nesne bulmak için vakit geçirmeye.

Bu görev ile başa çıkmak için iki yöntem kullanılır:

• bir boşaltma olmayan veri nesneleri ile inceltilmiş örnek;
• etkin kullanımı özel bir veri yapısı ve en yakın komşularının anlık arama için kodlar.

Seçim yöntemlerinin Kuralları

Yukarıdaki sınıflandırma kabul edildi. En yakın komşu yöntemi önceden uzaklık fonksiyonu \ rho bilinen pratik sorunların çözülmesinde kullanılan (x, x '). açıklayan nesnelerde sayısal vektörler, bir Öklid metrik kullanın. Bu seçim özel bir gerekçe vardır, ama tüm işaretlerin ölçülmesini gerektirir "Aynı ölçekte." Bu faktör dikkate alınmaz ise, metrik özelliğini en yüksek sayısal değere sahip hakim olacaktır.

Belirli semptomlara sapmaların toplamı olarak mesafe hesaplama özelliklerin önemli miktarda varsa ciddi bir sorun boyutunu görünür.

birbirlerine olacak tüm nesneler uzak yüksek boyutlu uzayda. Sonuçta, herhangi bir örnek nesnesine sonraki k komşuları çalışılan olacaktır. bilgilendirici özellikler az sayıda seçilmiş bu sorunu ortadan kaldırmak için. tahminleri hesaplamak için algoritmalar işaretlerin farklı setleri temelinde inşa ve her birey için yakınlıkları faaliyetleri oluşturmak.

Sonuç

Matematiksel hesaplamalar çoğunlukla kendi ayırt edici özellikleri, avantajları ve dezavantajları vardır çeşitli teknikler kullanılmasını gerektirir. Görüntülenen komşu algoritması nedeniyle matematiksel nesnelerin özelliklerine oldukça ciddi bir sorunu çözebilir. analiz yöntemine dayalı deneysel konsept, aktif yapay zeka kullanılıyor.

Uzman sistemlerinde sadece nesneleri sınıflandırmak değil, aynı zamanda kullanıcıya, söz konusu sınıflandırma bir açıklama göstermek için değil gereklidir. Bu yöntemde, bu olgunun bir açıklama, belirli bir sınıfın bir nesne olarak kullanılan numune göre konumuna bağlı olarak ifade edilmiştir. Yasal sanayi uzmanları, jeologlar, hekimler, aktif olarak araştırma kullanmak bu "emsal" mantığı alır.

Amacıyla yöntem ayrıca analiz nesneler arasında emisyonlarını önlemek ederken istenen sonuçları veren, verimli, en güvenilir, sen asgari rakam k almalıdır oldu analiz edilecek. Bu nedenle standartların kullanılması ve seçim yöntemi, hem de optimizasyon metrikleri.