Сочинение на тему Классификация ближайших соседей (KNN)

<Р> Абстрактный. – Стратегия k Nearest Neighbor (KNN) является заметной классификационной стратегией в области интеллектуального анализа данных и оценки в свете ее прямого выполнения и колоссального исполнения. В любом случае, для обычных стратегий KNN нелепо выбирать фиксированное отношение ко всем тестам. Прошлые курсы действий назначают разные оценки различным тестовым тестам с помощью стратегии перекрестного одобрения, однако, как правило, утомительны. В предыдущей работе были предложены новые стратегии KNN, во-первых, это стратегия KTree для изучения уникальных оценок для различных тестовых или новых случаев, включая организацию обучения в классификации KNN. В этой работе дополнительно предлагается измененное представление техники KTree, называемой K * Tree, для ускорения организации тестов путем помещения дополнительных данных обучающих тестов в листовой узел KTree, например, обучающих тестов, расположенных в листовом узле, их KNN и ближайший сосед этих КНН. Дерево K *, которое дает возможность руководить организацией KNN, используя подмножество обучающих тестов в листовом узле вместо всех обучающих тестов, использованных в недавних методах KNN. Это действительно снижает стоимость организации теста.

ВВЕДЕНИЕ

Метод KNN популярен благодаря своей простой реализации и невероятно хорошо работает на практике. KNN считается ленивым алгоритмом обучения, который классифицирует наборы данных на основе их сходства с соседями. Но у KNN есть некоторые ограничения, которые влияют на эффективность результата. Основная проблема с KNN заключается в том, что он является ленивым учеником, а KNN не учится на данных обучения, что влияет на точность результата. Также стоимость вычисления алгоритма KNN довольно высока. Таким образом, эти проблемы с алгоритмом KNN влияют на точность результата и общую эффективность алгоритма. В данной работе предлагаются новые стратегии KNN KTree и K * Tree более производительные, чем традиционные стратегии KNN. Существует два признанных контраста между прошлыми стратегиями KNN и предлагаемой стратегией KTree. Во-первых, прошлые методы KNN не имеют стадии обучения, в то время как метод KTree имеет стадию разреженной подготовки, сложность времени которой составляет O (n2). Во-вторых, предыдущим методам требуется как минимум O (n2) временная сложность для получения идеальных k-значений из-за вовлечения процесса разреженного обучения, в то время как для метода KTree просто требуется O (log (d) + n), чтобы сделать это через выученная модель. В этой работе, дополнительно растяните предложенную технику KTree до ее изменения, называемой стратегией k * Tree для ускорения организации тестов, просто поместив дополнительные данные тренировочных тестов в левом узле, например, тренировочные тесты, их KNN и ближайший соседи из этих ближайших соседей. Методы KTree изучают различные наборы образцов и добавляют этап обучения в традиционную классификацию KNN. Дерево K * ускоряет этап тестирования. Это снижает эксплуатационные расходы на его стадии.

ОБЗОР ЛИТЕРАТУРЫ

Эффективная классификация kNN с разными номерами ближайших соседей:

В этой статье [1] они предлагают новую технику KNN KTree & K * Tree, чтобы преодолеть препятствия обычной техники KNN. Соответственно, он все время пытается решить эти проблемы технологии KNN, то есть идеальное обучение k-значений для различных примеров, уменьшение затрат времени и изменение исполнения. Чтобы решить эти проблемы методов KNN, в этой статье они первоначально предлагают метод KTree для быстрого взятия идеальной k-оценки для каждого теста, включая организацию обучения в традиционной стратегии KNN. Они дополнительно расширяют предложенную стратегию KTree до ее формы изменений, т.е. техники K * Tree для ускорения организации тестирования. Основная идея предлагаемых методов состоит в том, чтобы наметить этап обучения для уменьшения текущих затрат на организацию испытаний и повышения эффективности классификации.

Изучение многоуровневых многоуровневых мультиклавиш с блочной строкой для классификации изображений:

В этой статье [2] они приводят порядок изображений в нескольких окнах, предлагая небольшую обучающую структуру MVML. Они вставили предложенный регуляризатор сглаживания в структуру MVML, чтобы привести выбор основных моментов высокого уровня к выбору поучительных перспектив и, кроме того, выбор элементов нижнего уровня для выбора основных моментов данных с поучительных перспектив. Предложенная ими стратегия в достаточной мере привела к группировке картин, уклоняясь от недружественного эффекта как избыточных перспектив, так и шумных моментов.

<Р>

Биологически вдохновленные функции для классификации сцен в видеонаблюдении:

В этой статье [3] они вводят технику упорядочения сцены с точки зрения улучшенного стандартного выделения модели. В этой статье недавно предложенная ими техника является более робастной, более специфичной и меньшей сложности. Выдвинутые вперед модели надёжно побеждают как мощность, так и групповую точность. Кроме того, в данной статье рассматриваются проблемы с препятствиями и путаницей в порядке следования сцен при видеонаблюдении.

Функции корреляции обучающего экземпляра для классификации с несколькими метками:

В этой статье [4] производятся мощные вычисления для многоуровневого порядка с использованием той информации, которая важна для целей. Предлагается разработка основанного на коэффициентах отображения среди подготовительных и тестовых примеров, где отношение отображения неправильно использует связи между примерами, а не однозначную связь между факторами и отметками класса информации

Оценка недостающих значений для наборов данных со смешанными атрибутами:

В этой статье [5] они думают о другом параметре атрибуции недостающей информации, который приписывает недостающую информацию в информационных коллекциях с неоднородными чертами, на которые ссылаются как на кредитные смешанные качественные информационные индексы. В этой статье предлагаются две предсказуемые оценки для дискретных, более того, постоянных пропущенных целевых оценок. Кроме того, они предлагают итеративную оценку, основанную на фрагменте смешивания, выдвигаемую для атрибуции смешанных характеристических информационных индексов.

Комбинация функций и структура kNN в классификации объектов:

В этой статье [6] они делают снимок при обычном смешении, чтобы исследовать фундаментальный инструмент выделения светлых участков. Они исследуют методы основных моментов в нормальной смеси и взвешенной нормальной смеси. Кроме того, они координируют практику выделения в (взвешенном) нормальном смешении в структуре kNN.

Единая учебная структура для суперразрешения одного изображения:

В этой статье [7] они предлагают другую структуру SR, которая безупречно включает в себя стратегии, основанные на обучении и реконструкции, для одиночного SR изображения, чтобы держаться подальше от внезапных реликвий, представленных SR, основанными на обучении, и восстановить недостающие точки повторения, представляющие интерес. сглаживается база отдыха СР. Эта встроенная структура берет отдельную ссылку на слово из вклада LR, а не из внешних картинок в интересные места мечты, вставляет нелокальный подразумеваемый канал в SR на основе воссоздания, чтобы улучшить края и задушить древние раритеты, и шаг за шагом усиливает вклад LR в желанный результат SR высшего качества

Сверхразрешение одного изображения с многоуровневым обучением схожести:

В этой статье [8] они предлагают подход одиночной картины SR, используя многомасштабные самоподобия из самой картины LR, чтобы уменьшить недружелюбное воздействие, вызванное несовместимыми высокоразвитыми тонкими элементами в наборе подготовки, чтобы включить отсутствующие они предлагают наборы исправлений HR-LR, использующие основную информацию LR и ее проверенную форму, чтобы поймать сходства крест-накрест в различных масштабах

Классификация неполных данных на основе функций убеждений и K-ближайших соседей: