K-nearest neighbor. K-NN is a clust

K-nearest neighbor. K-NN is a clustering technique in which new events are classified by majority vote of their K nearest neighbors in the trained vector space. Where K is the number of neighbors that get a vote, and the concept of“nearest” is calculated by methods such as Euclidean distance or Mahalanobis distance. An advantage of the KNN approach is its flexibility. A disadvantage is the computational complexity of calculating the K nearest neighbors of each data point. In [Eskin et al 2002], the search space was first clustered into subsets to reduce the time required to identify the neighbor set. In [Bouzida et al 2004] Principle Component Analysis was first applied to the input set to reduce the dimensionality of the vector space. An enhancement to the basic KNN approach was proposed in [Li et al 2007] where transduction techniques [Gammerman and Vovk 2002] were applied to calculate a “strangeness” measure. This approach reduced false positives over other K-NN approaches and reduced the need for labeled training datasets.

Kết quả (Việt) 1:

K-gần nhất với hàng xóm. K-NN là một kỹ thuật kết cụm trong đó sự kiện mới được phân loại bởi đa số phiếu của k gần nhất hàng xóm trong không gian vectơ được đào tạo. Trong đó K là số hàng xóm mà nhận được một cuộc bỏ phiếu, và khái niệm "gần nhất" được tính bằng phương pháp như khoảng cách Euclide hoặc khoảng cách Mahalanobis. Một lợi thế của phương pháp tiếp cận KNN là tính linh hoạt của nó. Một bất lợi là tính toán phức tạp của tính toán K gần nhất hàng xóm của mỗi điểm dữ liệu. Tại [Eskin và ctv 2002], không gian tìm kiếm lần đầu tiên tập trung vào tập con để giảm thời gian cần thiết để xác định các thiết lập hàng xóm. Tại [Bouzida et al năm 2004] nguyên tắc thành phần phân tích lần đầu tiên được áp dụng cho các đầu vào thiết lập để làm giảm chiều không gian vectơ. Một nâng cao để phương pháp tiếp cận KNN cơ bản được đưa ra trong [Li et al 2007] nơi dẫn truyền kỹ thuật [Gammerman và Vovk năm 2002] đã được áp dụng để tính toán một thước đo "lạ". Cách tiếp cận này giảm sai tích cực trên các phương pháp tiếp cận K-NN và giảm sự cần thiết cho đào tạo có nhãn datasets.

Kết quả (Việt) 2:

K-lân cận gần nhất. K-NN là một kỹ thuật phân nhóm trong đó các sự kiện mới được phân loại theo đa số phiếu bầu của K láng giềng gần nhất của họ trong không gian vector được đào tạo. Trong đó K là số người hàng xóm mà có được một cuộc bỏ phiếu, và các khái niệm về "gần nhất" được tính bằng các phương pháp như Euclide hay khoảng cách Mahalanobis khoảng cách. Một lợi thế của phương pháp tiếp cận KNN là tính linh hoạt của nó. Một bất lợi là các tính toán phức tạp tính toán K láng giềng gần nhất của mỗi điểm dữ liệu. Trong [Eskin et al 2002], không gian tìm kiếm lần đầu tiên được nhóm lại thành các tập con để giảm thời gian cần thiết để xác định các thiết lập hàng xóm. Trong [Bouzida et al 2004] Nguyên tắc phân tích thành phần lần đầu tiên được áp dụng cho các đầu vào thiết lập để giảm số chiều của không gian vector. Một cải tiến của phương pháp tiếp cận KNN cơ bản đã được đề xuất trong [Li et al 2007], nơi các kỹ thuật dẫn truyền [Gammerman và Vovk 2002] đã được áp dụng để tính toán một "kỳ lạ" biện pháp. Cách tiếp cận này giảm sai tích cực hơn phương pháp K-NN khác và làm giảm nhu cầu đối với các tập dữ liệu đào tạo nhãn.