k近邻算法中k值得选择
来源:互联网 发布:ssl端口号 编辑:程序博客网 时间:2024/05/21 15:48
k值得选择会对k近邻的结果产生重大的影响
如果选择较小的K值,就相当于用较小的邻域中的训练实例进行预测,“学习”的近似误差会减小,只有输入实例较近的训练实例才会对预测结果起作用。但缺点是“学习”的估计误差会增大,预测结果会对近邻实例点非常敏感。如果邻近的实例点恰巧是噪声,预测就会出错。换句话说,k值得减小就意味着整体模型非常复杂,容易发生过拟合
如果选择较大的k值,就相当于用较大邻域中的训练实例进行预测,其实有点是减少学习的估计误差,但缺点是学习的近似误差会增大。这时与输入实例较远的训练实例也会起预测作用,使预测发生错误,k值得增大就意味着整体的模型变得简单
如果K=N,那么无论输入实例是什么,都将简单的预测它属于训练实例中最多达到类。这时,模型过于简单,完全忽略训练中的大量有用信息,是不可取的
在应用中,k值一般取一个比较小的数值,通常采用交叉验证法来选择最优k值
如果选择较小的K值,就相当于用较小的邻域中的训练实例进行预测,“学习”的近似误差会减小,只有输入实例较近的训练实例才会对预测结果起作用。但缺点是“学习”的估计误差会增大,预测结果会对近邻实例点非常敏感。如果邻近的实例点恰巧是噪声,预测就会出错。换句话说,k值得减小就意味着整体模型非常复杂,容易发生过拟合
如果选择较大的k值,就相当于用较大邻域中的训练实例进行预测,其实有点是减少学习的估计误差,但缺点是学习的近似误差会增大。这时与输入实例较远的训练实例也会起预测作用,使预测发生错误,k值得增大就意味着整体的模型变得简单
如果K=N,那么无论输入实例是什么,都将简单的预测它属于训练实例中最多达到类。这时,模型过于简单,完全忽略训练中的大量有用信息,是不可取的
在应用中,k值一般取一个比较小的数值,通常采用交叉验证法来选择最优k值
阅读全文
0 0
- k近邻算法中k值得选择
- K-NN(k近邻算法)
- k-近邻算法(k-nn)
- K近邻算法
- K近邻算法
- K近邻算法
- K近邻算法
- K近邻算法
- K近邻算法
- k近邻算法
- OpenCv K近邻算法
- k-近邻算法(kNN)
- k-近邻算法
- k-近邻算法(kNN)
- K近邻算法
- K近邻分类算法
- K近邻分类算法
- K近邻算法
- 1019:排序问题1
- 博客中使用录制动态图
- JAVA中的反射机制
- TensorFlow实现流行机器学习算法教程汇集(上)
- Spring 源码分析:Spring容器的加载过程
- k近邻算法中k值得选择
- centos7安装nodejs遇到的问题 Requires: libhttp_parser
- windows上传文件至github上
- Linux下安装和配置solr/tomcat/IK分词器 详细实例二.
- TensorFlow实现流行机器学习算法教程汇集(下)
- python中classmethod与staticmethod的差异及应用
- ToLua 协程中调用 WWW
- 原生AJAX的GET和POST
- 欢迎使用CSDN-markdown编辑器