K近邻算法的分类
Classification of K-nearest neighbours algorithm
此散点图中的 x 轴和 y 轴具有不同的比例。
假设每个形状的中心是数据点。
问：使用这个训练集的 9 最近邻 classifier 的测试点class化是什么，同时使用这两个特征？
问：在页面顶部的散点图上，按任意顺序，为左下未知点命名三个最近邻的class，使用两个特征计算距离。
这是我的尝试：
1：更高的 K，在本例中为 9，表示每个预测中有更多选民，因此对异常值更有弹性。较大的 K 值将有更平滑的决策边界来决定这里是 Pet 还是 Wild，这意味着方差较小但偏差增加。
2：利用勾股定理，距离左下未知点最近class的三个距离为，
- 宠物，距离 = 0.02
- 宠物，距离 = 2.20
- 狂野，距离 = 2.60
因此，class是宠物
问题 1 要求您提供具体答案（宠物或野生动物），您尚未提供。您所做的陈述通常是正确的，但实际上并没有回答问题。请注意，只有 4 个 Pet 点，其余均为 Wild。所以无论哪 9 个点是最近的邻居，至少有 5 个（大多数）是 Wild。因此，K = 9 的 KNN 分类器将始终使用此数据预测 Wild。
问题 2 看起来大部分是正确的。我没有这些点的确切坐标，但你的数字似乎在正确的范围内，除了你可能在第一个距离有错字。 类 是正确的，结果预测（问题没有明确要求）也是正确的（假设 K = 3）。
此散点图中的 x 轴和 y 轴具有不同的比例。 假设每个形状的中心是数据点。
问：使用这个训练集的 9 最近邻 classifier 的测试点class化是什么，同时使用这两个特征？
问：在页面顶部的散点图上，按任意顺序，为左下未知点命名三个最近邻的class，使用两个特征计算距离。
这是我的尝试：
1：更高的 K，在本例中为 9，表示每个预测中有更多选民，因此对异常值更有弹性。较大的 K 值将有更平滑的决策边界来决定这里是 Pet 还是 Wild，这意味着方差较小但偏差增加。
2：利用勾股定理，距离左下未知点最近class的三个距离为，
- 宠物，距离 = 0.02
- 宠物，距离 = 2.20
- 狂野，距离 = 2.60
因此，class是宠物
问题 1 要求您提供具体答案（宠物或野生动物），您尚未提供。您所做的陈述通常是正确的，但实际上并没有回答问题。请注意，只有 4 个 Pet 点，其余均为 Wild。所以无论哪 9 个点是最近的邻居，至少有 5 个（大多数）是 Wild。因此，K = 9 的 KNN 分类器将始终使用此数据预测 Wild。
问题 2 看起来大部分是正确的。我没有这些点的确切坐标，但你的数字似乎在正确的范围内，除了你可能在第一个距离有错字。 类 是正确的，结果预测（问题没有明确要求）也是正确的（假设 K = 3）。