6統(tǒng)計學習與人工神經網絡研究(編輯修改稿)
2024-09-25 21:46 本頁面
【文章內容簡介】 其他類別。k近鄰算法與其他方法不同的是k近鄰算法把數據直接用于分類，而且并不需要預先構建模型。這樣便不需要考慮模型構建的細節(jié)，并且在算法中需要考慮調整的參數只有k，其中k是在評估類別時候需要包含的近鄰的數量：p（y|x）的計算值是在x的k近鄰中屬于y類別的成員數量的比值。通過改變k，模型的靈活性可以相對提高和降低。k近鄰與其他算法相比的優(yōu)勢在于近鄰可以提供分類結果的解釋，在黑盒模型不足的時，這種基于實例的解釋更具有優(yōu)勢。而k近鄰的主要缺點在于近鄰的計算中： 為了計算近鄰需要定義一個量度計算不同原子數據之間的距離。在大部分應用領域中，如何這種方式定義的量度并不清晰，只能通過嘗試和失敗，根據相對重要的并不確定是否能反應量度的數據來定義量度。 3人工神經網絡與統(tǒng)計學習的對比總結 神經網絡與統(tǒng)計學習方法不同的是神經網絡需要進行模型的計算。神經網絡的主要識別過程包括兩個：訓練模型和根據
黨政相關相關推薦
鄂ICP備17016276號-1