模式识别近邻分类.ppt

模式识别近邻分类
2021/9/19
1
基于实例的学习概述
已知一系列的训练样例，许多学习方法为目标函数建立起明确的一般化描述。
基于实例的学习方法只是简单地把训练样例存储起来，从这些实例中泛化的工作被推迟到必须分类新实例的时候。
每当学习器遇到一个新的查询实例，它分析这个新实例与以前存储的实例的关系，并据此把一个目标函数值赋给新实例。
2021/9/19
2
基于实例的学习概述
基于实例的学习方法包括：
假定实例可以表示成欧氏空间中的点
最近邻法
局部加权回归法
对实例采用更复杂的符号表示
基于案例的推理
2021/9/19
3
基于实例的学习概述
基于实例的学习方法有时被称为消极学习法，它把处理工作延迟到必须分类新的实例时。
这种延迟的学习方法有一个优点：不是在整个实例空间上一次性地估计目标函数，而是针对每个待分类新实例作出局部的和相异的估计。
2021/9/19
4
基于实例的学习概述
基于实例的学习方法的学习过程只是简单地存储已知的训练数据，当遇到新的查询实例时，一系列相似的实例从存储器中取出，用来分类新的查询实例。
与其他方法相比，基于实例的学习方法的一个关键差异是：可以为不同的待分类查询实例建立不同的目标函数逼近。
2021/9/19
5
基于实例的学习概述
许多技术不建立目标函数在整个实例空间上的逼近，只建立局部逼近，并将其用于与新实例邻近的实例。
这样做的好处是：有时目标函数很复杂，但具有不太复杂的局部逼近描述。
2021/9/19
6
基于实例的学习概述
基于实例的方法的不足：
分类新实例的开销可能很大。
几乎所有的计算都发生在分类时，而不是在第一次遇到训练样例时。如何有效地索引训练样例是一个重要的问题。
当从存储器中检索相似的训练样例时，一般考虑实例的所有属性，如果目标概念仅依赖于很多属性中的几个，那么真正最“相似”的实例之间可能相距甚远。
2021/9/19
7
基于实例的学习概述
K-近邻算法和它的几个变体。
局部加权回归法，这是一种建立目标函数的局部逼近的学习方法，被看作k-近邻算法的一般形式。
基于案例的推理，是一种使用符号表示和基于知识的推理的方法。
径向基函数网络，为基于实例的学习算法和神经网络学习算法提供了一个有趣的桥梁。
消极学习方法和积极学习方法之间的差异。
2021/9/19
8
K-近邻学习概述
不同于eager学习算法，K-近邻方法在训练阶段只是简单地把训练样例存储起来，把建模过程推迟到了要预测新实例的工作阶段。因此， K-近邻方法是一种典型的lazy学习算法。
k-近邻方法既可以用于目标函数值是离散的情况，也可以用于是连续的情况。离散的情况就是分类，连续的情况就是回归。
K-近邻方法的学习过程分两部：1）找到要预测新实例的K个邻居；2）根据这K个邻居来预测新实例的目标值。
2021/9/19
9
k-近邻算法
k-近邻算法假定所有的实例对应于n维空间Rn中的点，任意的实例表示为一个特征向量<a1(x), ..., an(x)>
根据欧氏距离定义实例间的距离。两个实例xi和xj的距离d(xi,xj)定义为
2021/9/19
10