大间隔最近邻居维基百科,自由的 encyclopedia 大间隔最近邻居(Large margin nearest neighbor (LMNN))分类算法是统计学的一种机器学习算法。该算法是在 k {\displaystyle k} 近邻分类其中学习一种欧式距离度量函数。该度量函数优化的目标是:对于一个输入 x i {\displaystyle x_{i}} 的 k {\displaystyle k} 个近邻都属于同一类别,而不同类别的样本与 x i {\displaystyle x_{i}} 保持一定大的距离。 k {\displaystyle k} 近邻规则是模式识别领域广泛使用的一种简单有效的方法。它的效果的好坏只依赖于确定最近邻的距离度量。基于欧式距离度量学习函数的大间隔最近邻居分类算法能够很好的改善 k {\displaystyle k} 近邻算法分类效果。[1] 此条目需要补充更多来源。 (2012年5月20日)
大间隔最近邻居(Large margin nearest neighbor (LMNN))分类算法是统计学的一种机器学习算法。该算法是在 k {\displaystyle k} 近邻分类其中学习一种欧式距离度量函数。该度量函数优化的目标是:对于一个输入 x i {\displaystyle x_{i}} 的 k {\displaystyle k} 个近邻都属于同一类别,而不同类别的样本与 x i {\displaystyle x_{i}} 保持一定大的距离。 k {\displaystyle k} 近邻规则是模式识别领域广泛使用的一种简单有效的方法。它的效果的好坏只依赖于确定最近邻的距离度量。基于欧式距离度量学习函数的大间隔最近邻居分类算法能够很好的改善 k {\displaystyle k} 近邻算法分类效果。[1] 此条目需要补充更多来源。 (2012年5月20日)