模式识别：近分类.pptVIP

2003.12.18 机器学习-基于实例的学习 作者：Mitchell 译者：曾华军等 讲者：陶晓鹏 第4讲 近邻分类 基于实例的学习概述 已知一系列的训练样例，许多学习方法为目标函数建立起明确的一般化描述。 基于实例的学习方法只是简单地把训练样例存储起来，从这些实例中泛化的工作被推迟到必须分类新实例的时候。 每当学习器遇到一个新的查询实例，它分析这个新实例与以前存储的实例的关系，并据此把一个目标函数值赋给新实例。 基于实例的学习概述 基于实例的学习方法包括： 假定实例可以表示成欧氏空间中的点 最近邻法 局部加权回归法 对实例采用更复杂的符号表示 基于案例的推理 基于实例的学习概述 基于实例的学习方法有时被称为消极学习法，它把处理工作延迟到必须分类新的实例时。 这种延迟的学习方法有一个优点：不是在整个实例空间上一次性地估计目标函数，而是针对每个待分类新实例作出局部的和相异的估计。 基于实例的学习概述 基于实例的学习方法的学习过程只是简单地存储已知的训练数据，当遇到新的查询实例时，一系列相似的实例从存储器中取出，用来分类新的查询实例。 与其他方法相比，基于实例的学习方法的一个关键差异是：可以为不同的待分类查询实例建立不同的目标函数逼近。 基于实例的学习概述 许多技术不建立目标函数在整个实例空间上的逼近，只建立局部逼近，并将其用于与新实例邻近的实例。 这样做的好处是：有时目标函数很复杂，但具有不太复杂的局部逼近描述。 基于实例的学习概述 基于实例的方法的不足： 分类新实例的开销可能很大。 几乎所有的计算都发生在分类时，而不是在第一次遇到训练样例时。如何有效地索引训练样例是一个重要的问题。 当从存储器中检索相似的训练样例时，一般考虑实例的所有属性，如果目标概念仅依赖于很多属性中的几个，那么真正最“相似”的实例之间可能相距甚远。 基于实例的学习概述 K-近邻算法和它的几个变体。 局部加权回归法，这是一种建立目标函数的局部逼近的学习方法，被看作k-近邻算法的一般形式。 基于案例的推理，是一种使用符号表示和基于知识的推理的方法。 径向基函数网络，为基于实例的学习算法和神经网络学习算法提供了一个有趣的桥梁。 消极学习方法和积极学习方法之间的差异。 K-近邻学习概述 不同于eager学习算法，K-近邻方法在训练阶段只是简单地把训练样例存储起来，把建模过程推迟到了要预测新实例的工作阶段。因此， K-近邻方法是一种典型的lazy学习算法。 k-近邻方法既可以用于目标函数值是离散的情况，也可以用于是连续的情况。离散的情况就是分类，连续的情况就是回归。 K-近邻方法的学习过程分两部：1）找到要预测新实例的K个邻居；2）根据这K个邻居来预测新实例的目标值。 k-近邻算法 k-近邻算法假定所有的实例对应于n维空间Rn中的点，任意的实例表示为一个特征向量a1(x), ..., an(x) 根据欧氏距离定义实例间的距离。两个实例xi和xj的距离d(xi,xj)定义为 伪代码（离散） 考虑离散目标函数f: Rn?V，V={v1,...,vs} 逼近离散值函数f: Rn?V的k-近邻算法 训练算法 将每个训练样例x,f(x)加入到列表training_examples 分类算法 给定一个要分类的查询实例xq 在training_examples中选出最靠近xq的k个实例，并用x1...xk表示 返回 其中 伪代码（连续） 逼近连续值目标函数f: Rn?R的k-近邻算法 训练算法 将每个训练样例x,f(x)加入到列表training_examples 分类算法 给定一个要分类的查询实例xq 在training_examples中选出最靠近xq的k个实例，并用x1...xk表示 返回 距离加权的k-近邻算法（离散） 对k-近邻算法的一个改进是对k个近邻的贡献加权，越近的距离赋予越大的权值，比如： 其中 为了处理查询点xq恰好匹配某个训练样例xi，从而导致d(xq,xi)2为0的情况，令这种情况下的 等于f(xi)，如果有多个这样的训练样例，我们使用它们占多数的分类。 距离加权的k-近邻算法（连续） 对k-近邻算法的一个改进是对k个近邻的贡献加权，越近的距离赋予越大的权值，比如： 其中 为了处理查询点xq恰好匹配某个训练样例xi，从而导致d(xq,xi)2为0的情况，令这种情况下的 等于f(xi)，如果有多个这样的训练样例，则用它们的平均