Noosten Noper Method: Beispill vun Aarbecht

der noosten Noper Method ass am einfachsten Tonne classifier déi op der Evaluatioun vun der Ähnlechkeet vun verschidden Objeten baséiert ass.

Analyséiert Objet gehéiert zu der Klass bis déi si Sujeten vun Training Prouf gehéieren. Loosst eis gewuer déi noosten Noper ass. Probéiert déi komplizéiert Matière, Beispiller vu verschiddenen Techniken ze verstoen.

Hypothes Method

noosten Noper Method kann wéi déi gemeinsam Algorithmus fir Klassifikatioun benotzt considéréiert ginn. Objet Klassifikatioun amgaang gehéiert zu der Klass y_i, bis déi am nosten Objet Léieren x_i Prouf.

Spezifizitéit vun Methoden noosten Noperen

k noosten Noper Method kann der Richtegkeet vun Klassifikatioun verbesseren. Analyséiert Objet gehéiert zu der selwechter Klass wéi de Gros vun hiren Noperen, dat heescht, k genotzt, fir et vun der analyséiert Prouf x_i Objeten. Zu Problemer mat zwou Klasse vun der Zuel vun den Noperen léisen ginn komesch enger Situatioun vun gewëssen Zuel ze verhënneren, wann déi selwecht Zuel vun Noperen ze verschiddene Klassen gehéiert gëtt.

D'Technik vun gespaart Noperen

PostgreSQL-analyséiert Method tsvector noosten Noperen benotzt gëtt, wann d'Zuel vun de Klassen op d'mannst dräi, an Dir net eng komesch Nummer benotzen kann. Awer gewëssen Zuel Ressort och an dëse Fäll. Dann, d'Ech-September Noper kritt w_i Gewiicht, wat ech mat dem Noper Platz Verloschter. Et rappeléiert der Klass vun den Objet, deen e Maximum Ganzen Gewiicht ënnert no Noperen hun gëtt.

D'Hypothes vun Kompaktheet

Am Häerz vun all de uewen Methode ass déi Hypothes vun Kompaktheet. Et proposéiert eng Verbindung tëscht der Mesure vun der Ähnlechkeet vun Objete an hir zu der selwechter Klass gehéiert. An dëser Situatioun, ass d'Grenz tëscht de verschiddenen Zorte engem einfachen Form, a schafen Klassen vun Objeten am Weltraum kompakt Handy gekësst huet. Ënnert esou Gebidder an mathematesch Analyse engem zougemaach bounded Formatioun ze mengen geholl. Dës Hypothes gëtt dem alldeeglechen Perceptioun vun der Wuert net dinn.

Der Basis Formule

Loosst eis méi noosten Noper ënnersicht. Wann der proposéiert Training Prouf Typ "Objet-Äntwert» X ^ m = \ {(x_1, y_1), \ Punkte, (x_m, y_m) \}; wann e Majorzsystem vun Objete der Distanz Funktioun \ Rho (x, x ") ze definéieren, déi a Form vun engem adequate Modell Ähnlechkeet vun Objete vun waarden de Wäert vun der Funktioun Verloschter Ähnlechkeet tëscht Objete x, x vertrueden ass.

Fir all Objet, wäert U engem Training Prouf Objete x_i mat waarden Distanzen ze U bauen:

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

wou x_ {ech; U} Markenzeeche vum Objet Léieren Echantillonen, déi U-ech September Noper Quell Objet ass. Esou mellen a Gebrauch ze verklengeren ze sin-September Noper: y_ {ech; U}. Als Resultat, fanne mir, datt all Objet U provozéiert eege Prouf renumbering.

Determinatioun vun der Zuel k vun Noperen

noosten Noper Method wann k = 1 ass kapabel eng fehlerhafter Klassifikatioun vun Féierung, net nëmmen op Objete-Emissiounen, mä och fir aner Klassen, datt bei sinn.

Wa mir = m huelen K, wäert de Algorithmus als stabil ginn an an e konstante Wäert Zeien wäert. Dat ass firwat Zouverlässegkeet wichteg ass extrem bestinn k ze vermeiden.

An der Praxis, wéi déi optimal Index K benotzt Critère hëlze Kontroll.

Virstellungen Emissiounen

D'Objete vun der Etude sinn haaptsächlech ongläich, mä dorënner do sinn déi, déi de Charakter vun enger Klass hunn an sinn zu den Standarden bezeechent. Um Atomkraaftwierk vun der Sujet op déi ideal Modell vu sengem héich Probabilitéit vun dëser Klass gehéiert.

Wéi rezultativen Method vun noosten Noperen? E Beispill kann op der Basis vun Randerscheinung an Net-Informatiounen zesummegedroen Kategorien vun Objete gesinn ginn. Et ass dichten Ëmwelt vun der Objet aner Vertrieder vun dëser Klass ugeholl. Wann Dir hinnen aus der Klassifikatioun vun probéieren d'Qualitéit ewechzehuelen wäert net leiden.

Kréien an eng gewëssen Zuel vu Echantillon kann Kaméidi Skiritai datt "um Buedem" vun enger Klass sinn. Stoppen méi positiven Impakt op d'Qualitéit vun der Klassifikatioun.

Wann de Kaméidi Objeten aus der uninformative an Mietsgesetz geholl Prouf, kënnt dir op e puer positiv Resultater an der selwechter Zäit zielen.

Déi éischt europäesch Method vun der noosten Noper Klassifikatioun erlaabt der Qualitéit, reduzéieren d'Quantitéit vun gespäichert Daten, reduzéieren der Zäit vun Klassifikatioun ze verbesseren, déi op d'Wiel vun den nächsten Standarden ass ass.

D'Benotzung vun ultra-grouss Echantillon

noosten Noper Method ass op der real Stockage vun Léieren Objete baséiert. Ze schafen ganz grouss-Skala Echantillon engem techneschen Problem benotzen. D'Zil ass net just e groussen Undeel vun Informatiounen ze retten, mä och am Minimum zevill Zäit Zäit ze hunn all Objet U ënnert de nosten Noperen k ze fannen.

Fir mat dëser Aufgab eens, sinn zwou Methode benotzt:

• thinned Prouf via eng Offlossquantitéit Net-Donnéeën Objete;
• effikass benotzen speziell Donnéeën Struktur an Coden fir Direktnoriichten Sich vun der noosten Noperen.

Regele vun Auswiel Methoden

D'virun Klassifikatioun war considéréiert. Noosten Noper Method ass an léisen praktesch Problemer benotzt, déi am Viraus bekannt ass d'Distanz Funktioun \ Rho (x, x "). An beschreiwen Objete da vectors benotzen engem ausgeet Tonne. Dëse Choix huet keng speziell beinhalt, mä d 'Moosse vun all Unzeeche "an déi selwecht Skala." Wann dës Faktor net Rechnung gedroe gëtt, da wäert d'Tonne predominate Fonktioun mussen héchste da Wäerter.

Wann do eng substantiell Zomm vun Funktiounen ass, der Distanz wéi d'Zomm vun der Hitparad op spezifesch Symptomer schéngen eeschte Problem Dimensioun oofhalen.

An héich zweedimensional Raum wäit vun engem anere wäert all Objeten. Schlussendlech, gëtt all Prouf op de Objet nächst gin K Noperen studéiert ginn. eng kleng Zuel vu praktesch Funktiounen ausgewielt dëse Problem ze eliminéiert. Algorithms fir Schätzung bauen op der Basis vu verschiddene Liewe vun Schëlder, a fir all eenzelne bauen hir Atomkraaftwierk Funktioun oofhalen.

Konklusioun

Mathematesch Berechnungen bezitt oft d'Benotzung vun enger Rei vun Techniken, déi hiert eegent Charakteristiken, Virdeeler an Nodeeler hunn. Gekuckten noosten Noper Method kann esou engem eeschte Problem, wéinst der Charakteristiken vun mathematesch Objete léisen. D'experimentell Konzept, baséiert op der Method analyséiert gëtt an kënschtlech Intelligenz aktiv benotzt ginn.

Am Expert Systemer ass et néideg net nëmmen Objete ze Klassifizéierungssystemer, mä och de Benotzer eng Erklärung vun der Klassifikatioun an Fro weisen. Dës Method, eng Erklärung vun dësem Phänomen si par rapport zu den Objet vun engem bestëmmte Klass wéi och seng Plaatz relativ zu der Prouf benotzt ausgedréckt. Juristesch Industrie Spezialisten, geologists, Dokteren, huelen dës "kritesch" Logik benotzen et aktiv an hirer Fuerschung.

Fir Method ginn analyséiert huet sech d'Équipe zouverlässeg, efficace, déi gewënschte Resultater Féierung, Dir mindestens Figur K huelen mussen, gläichzäiteg Emissiounen ënnert de analyséiert Objete verhënneren. Dat ass firwat d'Benotzung vun Standarden an der Auswiel Method, wéi och de akeef Chef.