Ich versuche eine Empfehlung basierend auf Feature-Ähnlichkeit zu machen, wobei meine Punkte im Feature-Space eindeutige Klassen darstellen. Im Wesentlichen habe ich Hunderte von einzigartigen Objekten als niedrigdimensionale Feature-Vektoren dargestellt und ich möchte die k-nächsten Nachbarn in Rangordnung für eine neue Beobachtung finden.k-Nächstliegende Nachbarn, in denen jeder Punkt seine eigene Klasse hat
Konventionell finden Sie die k Nachbarn und wählen Sie die Klasse mit der Mehrheit der Darstellung darin. Das wird in meinem Fall nicht funktionieren, wenn man bedenkt, dass jeder Gegenstand seine eigene Klasse hat.
Ist k NN der falsche Ansatz hier? Gibt es eine andere Familie von Algorithmen, die für diese Art von Problem besser geeignet sind?
Sie haben also mehrere Klassen und Ihr Zugset für jede Klasse ist nur ein Element? – amit
@it genau. Potenziell Hunderte von Klassen, wobei jede Klasse nur ein Element ist. –
Nun, Machine Learning-Algorithmen benötigen in der Regel mehr als ein Element pro Klasse, um richtig zu arbeiten. Ich meine, du kannst mit NN (kNN mit k = 1) gehen, aber ich würde diese Maschine nicht in deinem Fall lernen ... – amit