The k-Nearest Neighbors algorithm i

The k-Nearest Neighbors algorithm is a simple and effective way to classify data. The examples in this chapter should be evidence of how powerful a classifier it is. kNN is an example of instance-based learning, where you need to have instances of data close at hand to perform the machine learning algorithm. The algorithm has to carry around the full dataset; for large datasets, this implies a large amount of storage. In addition, you need to calculate the distance measurement for every piece of data in the database, and this can be cumbersome.
An additional drawback is that kNN doesn’t give you any idea of the underlying structure of the data; you have no idea what an “average” or “exemplar” instance from each class looks like. In the next chapter, we’ll address this issue by exploring ways in which probability measurements can help you do classification.

Kết quả (Việt) 1:

Thuật toán hàng xóm k gần nhất là một cách đơn giản và hiệu quả để phân loại dữ liệu. Ví dụ trong chương này cần là chứng cứ mạnh mẽ như thế nào một loại đó là. kNN là một ví dụ về trường hợp dựa trên học tập, nơi mà bạn cần phải có trường hợp dữ liệu gần tầm tay để thực hiện các máy tính học thuật toán. Các thuật toán có mang theo số liệu đầy đủ; cho datasets lớn, điều này ngụ ý một số lượng lớn của lưu trữ. Ngoài ra, bạn cần phải tính toán các phép đo khoảng cách cho tất cả các phần của dữ liệu trong cơ sở dữ liệu, và điều này có thể được rườm rà.Một nhược điểm bổ sung là kNN đó không cung cấp cho bạn bất kỳ ý tưởng của cấu trúc cơ bản của dữ liệu; bạn không có ý tưởng những gì trông giống như một "trung bình" hoặc "khuôn" thể hiện từ mỗi lớp. Trong chương kế tiếp, chúng tôi sẽ giải quyết vấn đề này bằng cách khám phá cách mà xác suất đo có thể giúp bạn làm việc phân loại.

Kết quả (Việt) 2:

Các thuật toán k-gần hàng xóm là một cách đơn giản và hiệu quả để phân loại dữ liệu. Các ví dụ trong chương này sẽ là bằng chứng của cách mạnh mẽ một phân loại nó được. KNN là một ví dụ của việc học dụ, ở đây bạn cần phải có các trường hợp của dữ liệu trong tầm tay để thực hiện các thuật toán máy học. Các thuật toán có mang theo đầy đủ các số liệu; cho các tập dữ liệu lớn, điều này có nghĩa một lượng lớn lưu trữ. Ngoài ra, bạn cần phải tính toán đo khoảng cách cho tất cả các mảnh dữ liệu trong cơ sở dữ liệu, và điều này có thể được rườm rà.
Một hạn chế nữa là KNN không cung cấp cho bạn bất kỳ ý tưởng về cấu trúc cơ bản của dữ liệu; bạn không có ý tưởng những gì một "trung bình" hoặc "Bản" dụ từ mỗi lớp như thế nào. Trong chương tiếp theo, chúng tôi sẽ giải quyết vấn đề này bằng cách khám phá cách thức mà các phép đo khả năng có thể giúp bạn làm được phân loại.