呆板进修必学10大算法

行使间隔或靠近水平的怀抱要领也许会在维度很是高的环境下(有很多输入变量)瓦解，这也许会对算法在你的题目上的机能发生负面影响。这就是所谓的维数劫难。这汇报我们，应该仅仅行使那些与猜测输出变量最相干的输入变量。

7. 进修向量量化

KNN 算法的一个弱点是，你必要处理赏罚整个实习数据集。而进修向量量化算法(LVQ)应承选择所需实习实例数目，并确切地进修这些实例。

进修向量量化

LVQ 的暗示是一组码本向量。它们在开始时是随机选择的，颠末多轮进修算法的迭代后，最终对实习数据集举办最好的总结。通过进修，码本向量可被用来像 K 最近邻那样执行猜测。通过计较每个码本向量与新数据实例之间的间隔，可以找到最相似的邻人(最匹配的码本向量)。然后返回最匹配单位的种别值(分类)或实值(回归)作为猜测功效。假如将数据从头放缩放到沟通的范畴中(譬喻 0 到 1 之间)，就可以得到最佳的猜测功效。

假如你发明 KNN 可以或许在你的数据集上获得不错的猜测功效，那么不妨试一试 LVQ 技能，它可以镌汰对内存空间的需求，不必要像 KNN 那样存储整个实习数据集。

8. 支持向量机

支持向量机(SVM)也许是今朝最风行、被接头地最多的呆板进修算法之一。

（编辑：湖南网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!