版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡介
KNN
算法實(shí)驗(yàn)報(bào)告
K
最近鄰(k-NearestNeighbor,KNN)分類算法,是一個理論上比較成熟的方法,也是最簡單的機(jī)器學(xué)習(xí)算法之一。該方法的思路是:如果一個樣本在特征空間中的k
特征空間中最鄰近)的樣本中的大多數(shù)屬于某一個類別,則該樣本也
該方法在定類決策上只依據(jù)最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別。KNN
方法雖然從原理上也依賴于極限定理,
KNN
方法主要靠周圍有限的鄰近的樣本,而不是靠判別類域的方法來確定所屬類別
方法較其他方法更為適合。KNN
算法不僅可以用于分類,還可以用于回歸。通過找出一個樣本的
k
的影響給予不同的權(quán)值(weight),如權(quán)值與距離成正比。
K
并不接近目標(biāo)樣本,或者這類樣本很靠近目標(biāo)樣本。無論怎樣,數(shù)量K
個最近鄰點(diǎn)。目前常用的解決方法是事先對已知樣本點(diǎn)進(jìn)行剪輯,易產(chǎn)生誤分。
那么根據(jù)以上的描述,我把結(jié)合使用反余弦匹配和
結(jié)合的過程分成以下幾個步驟:.計(jì)算出樣本數(shù)據(jù)和待分類數(shù)據(jù)的距離.為待分類數(shù)據(jù)選擇
個與其距離最小的樣本.統(tǒng)計(jì)出
個樣本中大多數(shù)樣本所屬的分類.這個分類就是待分類數(shù)據(jù)所屬的分類數(shù)學(xué)表達(dá):目標(biāo)函數(shù)值可以是離散值分類問題,也可以是連續(xù)值回歸問題).函數(shù)形勢為
維空間
R—〉一維空間
R。第一步:將數(shù)據(jù)集分為訓(xùn)練集()和測試集(DTES)。第二步:在測試集給定一個實(shí)例在訓(xùn)練集()中找到與這個實(shí)例
的
最近鄰子集{X1、、、、XK},即:。第三步:計(jì)算這
最近鄰子集得目標(biāo)值,經(jīng)過加權(quán)平均:
作為
)的近似估計(jì)。改進(jìn)的地方:對
算法的一個明顯的改進(jìn)是對
個最近鄰的貢獻(xiàn)加權(quán),將較大的權(quán)值賦給較近的近鄰,相應(yīng)的算法稱為距離加權(quán)
回歸算法,則公式
則修改為:一般地距離權(quán)值
和距離成反比關(guān)系,例如,
近似值的選擇:需要消除K
值過低,預(yù)測目標(biāo)容易產(chǎn)生變動性,同時(shí)高
值時(shí),
值的有益途徑是通過有效參數(shù)的數(shù)目這個概念。有效參數(shù)的數(shù)目是和
值相關(guān)的,大致等于,其中,是這個訓(xùn)練數(shù)據(jù)集中實(shí)例的數(shù)目。缺點(diǎn):()在大訓(xùn)練集尋找最近鄰的時(shí)間是難以忍受的。(
p
的增長以p
的增多而急p
稱為“維數(shù)災(zāi)難”。解決辦法有下面幾個:()通過降維技術(shù)來減少維數(shù),如主成分分析,因子分析,變量選擇(因子選擇)從而減少計(jì)算距離的時(shí)間;()用復(fù)雜的數(shù)據(jù)結(jié)構(gòu),如搜索樹去加速最近鄰的確定。這個方法經(jīng)常通過公式公式設(shè)定“幾乎是最近鄰”的目標(biāo)去提高搜索速度;()編輯訓(xùn)練數(shù)據(jù)去減少在訓(xùn)練集中的冗余和幾乎是冗余的點(diǎn),
算法的實(shí)現(xiàn)要注意:.用
,,保存測試集和訓(xùn)練集。.注意要以類目_文件名作為每個文件的
,才能避免同名不同內(nèi)容的文件出現(xiàn)。.注意設(shè)置
參數(shù),否則會出現(xiàn)
溢出錯誤。.本程序用向量夾角余弦計(jì)算相似度。
//KNN.java
//KNNNode.java
訓(xùn)練數(shù)據(jù):1.0
1.1
1.2
2.1
0.3
2.3
1.4
0.5
11.7
1.2
1.4
2.0
0.2
2.5
1.2
0.8
11.2
1.8
1.6
2.5
0.1
2.2
1.8
0.2
11.9
2.1
6.2
1.1
0.9
3.3
2.4
5.5
01.0
0.8
1.6
2.1
0.2
2.3
1.6
0.5
11.6
2.1
5.2
1.1
0.8
3.6
2.4
4.5
0實(shí)驗(yàn)數(shù)據(jù):1.0
1.1
1.2
2.1
0.3
2.3
1.4
0.51.7
1.2
1.4
2.0
0.2
2.5
1.2
0.81.2
1.8
1.6
2.5
0.1
2.2
1.8
0.21.9
2.1
6.2
1.1
0.9
3.3
2.4
5.51.0
0.8
1.6
2.1
0.2
2.3
1.6
0.51.6
2.1
5.2
1.1
0.8
3.6
2.4
4.5程序運(yùn)行結(jié)果:測試元組:
1.0
1.1
1.2
2.1
0.3
2.3
1.4
0.5
類別為:
1測試元組:
1.7
1.2
1.4
2.0
0.2
2.5
1.2
0.8
類別為:
1測試元組:
1.2
1.8
1.6
2.5
0.1
2.2
1.8
0.2
類別為:
1測試元組:
1.9
2.1
6.2
1
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 2024年n95口罩醫(yī)療物資采購合同規(guī)范2篇
- 2024年度個人股權(quán)轉(zhuǎn)讓與股權(quán)質(zhì)押合同3篇
- 2024年度環(huán)保科技入股分紅合同3篇
- 2024年度拼多多平臺運(yùn)營合同3篇
- 2024年度鋼材租賃與售后服務(wù)綜合合同3篇
- 2024年度專業(yè)安保團(tuán)隊(duì)人員勞動合同范本(含職業(yè)健康檢查)
- 2024年土地資源保護(hù)與生態(tài)環(huán)境咨詢合同3篇
- 2024年電力安全評價(jià)技術(shù)服務(wù)合同正規(guī)范范本
- 2024年度企業(yè)重組涉及的知識產(chǎn)權(quán)轉(zhuǎn)讓合同3篇
- 2024版信息技術(shù)公司提供云計(jì)算服務(wù)合同3篇
- ABB工業(yè)機(jī)器人基礎(chǔ)知識
- 中國校服產(chǎn)業(yè)挑戰(zhàn)與機(jī)遇分析報(bào)告 2024
- 2022版義務(wù)教育物理課程標(biāo)準(zhǔn)
- 山東省日照市2023-2024學(xué)年七年級上學(xué)期期末數(shù)學(xué)試題(含答案)
- 上海華東師大二附中2025屆高一數(shù)學(xué)第一學(xué)期期末檢測試題含解析
- 新教科版六年級上冊科學(xué)全冊知識點(diǎn)(期末總復(fù)習(xí)資料)
- 《靜女》《涉江采芙蓉》對比閱讀教學(xué)設(shè)計(jì) 2023-2024學(xué)年統(tǒng)編版高中語文必修上冊
- 高速鐵路概論 課件 第3章 高速鐵路車站
- 2024-2030年水培蔬菜行業(yè)市場發(fā)展分析及發(fā)展趨勢與投資戰(zhàn)略研究報(bào)告
- 2024年部編版語文五年級上冊全冊單元檢測題及答案(共8套)
- 集成電路制造工藝 課件 6光刻工藝2
評論
0/150
提交評論