第十章降维与度量学习

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 100+累计阅读 131平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄19年

关注

转载最新推荐文章于 2026-05-24 13:00:36 发布 131 阅读 AI 写同款· GEO 优化 ›

西瓜书学习笔记——第十章：降维与度量学习 10. 降维与度量学习10.1 k近邻学习10.2 低维嵌入经典降维方法：多维缩放(MDS)10.3 主成分分析 10.1 k近邻学习 k近邻学习（knn）是一种监督学习算法，它直接使用测试样本和训练样本，没有显示的训练过程，工作机制如下：给定测试样本，基于某种距离度量找出训练集中与其最靠近的k个训练样本，然后基于这k个邻居的信息来进行预测。通常，对于不同类型的任务，使用的预测方法不同：分类任... 阅读详情

https://www.jianshu.com/p/0492f39f1b30

收录于

西瓜书机器学习

当前文章被收录于：

西瓜书机器学习

21 篇文章 1 人学习

订阅专栏查看详情

当前文章被以下社区和专栏收录：

原文链接：https://www.jianshu.com/p/0492f39f1b30>

《机器学习》周志华(西瓜书)学习笔记 第十章 降维与度量学习 机器学习总目录 第十章 降维与度量学习 10.1 K近邻学习 k近邻学习是一种监督学习算法，在给定的训练样本集中，基于某种距离度量，找出与训练集最靠近的kkk个训练样本，然后基于这k个邻居信息来进行预测。投票法：通常在分类任务中使用，判别方法是选择这kk个样本中出现最多的类别标记作为预测结果。平均法：通常在回归任务中使用，判别方法是将这kk个样本的实值输出标记的平均值最为预测结果。加权平... 阅读详情

相关推荐

周志华《机器学习》之 第十章（降维与度量学习）概念总结

降维在一起图像识别过程也经常被采用的一种分类算法，例如二维数据经过投影变为一维数据，从而更好的表征数据的特征，再进行识别。在前面章节中提到过LDA（线性判别分析）也可以当做一种简单降维处理。在周老师的这章中主要讲述PCA主成分分析算法对高维数据进行降维。降维是一种解决维数灾难的重要途径。书中从如下几节进行介绍：1、K邻近学习2、低维嵌入3、主成分分析（PCA）4、核化线性降维5、流形学习6、度量学习

不系之舟的专栏-QQ讨论群331590339 3627

机器学习（周志华）_第十章降维与度量学习

第十章降维与度量学习的知识点

liuyan20062010的专栏 1264

STM32使用LORA模块通信

目录一、模块使用方法 1、模块简介 2、硬件及功能 3、传输方式二、模块上手 1、连接 2、编写代码 usart3.h usart3.c lora.h lora.c 一、模块使用方法本文以正点原子ATK-LORA-01模块为例进行介绍。 1、模块简介 ATK-LORA-01-V3.0(V3.0是版本号，下面均以ATK-LORA-01表示该产品)是ALIENTEK推出的一款体积小、微功率、低功耗、高性能远距离LORA无线串口模块。模块设计是采用高效的IS...

qq_54706971的博客 3万+

第十章：降维与度量学习

一种常用的监督学习方法，没有显式的训练过程。此类学习技术在训练阶段仅仅是把样本保存起来,训练时间开销为零,待收到测试样本后再进行处理;相应的，那些在训练阶段就对样本进行学习处理的方法,称为“急切学习”给定测试样本x,若其最近邻样本为z,则最近邻分类器出错的概率就是x与z类别标记不同的概率,即·假设样本独立同分布,且对任意x和任意小正数,在x附近距离范围内总能找到一个训练样本;泛化错误率不超过贝叶斯最优分类器的错误率的两倍。

qq_63029071的博客 945

别再乱删文件了！修复Print Spooler服务自动停止的3个关键检查点（附Win10/Win11实测）

本文深入解析Windows系统中Print Spooler服务自动停止的常见原因及修复方法。从第三方驱动冲突、权限与服务依赖关系到打印队列积压，提供3个关键检查点的详细排查步骤，帮助用户彻底解决打印服务异常问题，适用于Win10/Win11系统。

weixin_31569671的博客 675

嵌入式接口通识知识之PCIe接口

PCIe x1接口是最常见的一种，插槽的长度是最短的，仅有25mm。PCIe x4接口有四个数据通道，提供比x1接口更高的带宽，插槽的长度为39mm，分为前后两组，一组22根针脚用于供电，剩下的42根针脚是数据针脚。插槽全长89mm，有164根针脚，分为前后两组，较短的插槽有22根针脚，主要用于供电，较长的插槽142根，主要用于数据传输，具有16通道所带来的高带宽。PCIe x8接口有八个数据通道，插槽全长56mm，有98跟针脚，分为前后两组，较短的22根针脚用于供电，剩下的76根针脚是数据针脚。

2301_76587520的博客 1305

机器学习第十章——降维与度量学习

其中Λ \LambdaΛ就是对角矩阵每个值对应一个特征向量，这些特征向量可以拼成V矩阵，可以找到几个比较小的或者说几乎接近于0的特征值对应的特征向量然后把特征值和特征向量去掉，重新组成新的特征向量矩阵 (找出其近邻点,然后就能建立一个近邻连接图,图中近邻点之间存在连接,而非近邻点之间不存在连接,于是,计算两点之间测地线距离的问题,就转变为计算近邻连接图上两点之间的最短路径问题（很多时候，人们观测或收集到的数据样本虽是高维的,但与学习任务密切相关的也许仅是某个低维分布,即高维空间中的一个。

qq_67725022的博客 1336

Power Automate 最常用的十大场景以及解决方案

3.2 获取指定主题含有附件邮件，然后读取csv附件内容，插入数据库，调度执行存储过程，最后通过Power automate 发送paginated report 特殊格式报表给发件人。Power Automate 作为微软推出的自动化工作流工具，其适用场景非常广泛，尤其在数据库查询自动化方面能显著提升效率。2.8发送邮件，把生成csv文件当作附件，把生成html当作邮件内容在邮件boty展示。3.1 读取数据库数据，定时发送预警邮件并抄送附件和展示内容在邮件中。：已有微软产品栈，需快速实现部门级自动化。

qq_24388807的博客 3690

【一起啃书】《机器学习》第十章 降维与度量学习

主成分分析（PCA）是一种使用最广泛的数据降维算法，它的主要思想是将nnn维特征映射到kkk维上，这kkk维是全新的正交特征，也被称为主成分，是在原有nnn维特征的基础上重新构造出来的kkk维特征。PCA的数学定义是：一个正交化线性变换，把数据变换到一个新的坐标系统中，使得这一数据的任何投影的第一大方差在第一个坐标（称为第一主成分）上，第二大方差在第二个坐标（第二主成分）上，依次类推。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。

要像蜗牛一样一步一步往上爬！ 3323

Python + Playwright：集成 Applitools 进行视觉回归测试（快速入门）

Applitools是一款基于人工智能的视觉验证测试工具，专门用于自动化和验证应用程序的用户界面（UI）；Applitools使用视觉回归测试来检测应用程序界面的变化，确保 UI 在不同版本之间的一致性；Applitools的核心功能是通过视觉比较，检测 UI 元素的差异，而无需手动编写复杂的界面检查代码；通过集成Applitools，测试人员可以轻松捕捉和验证界面中的视觉差异，无论是在Web移动端或桌面应用的测试环境；

blues_C的博客 2921

069、PCIE属性字段：缓存、顺序与安全

上个月调试一块自研的PCIE采集卡，遇到了一个诡异的问题：主机通过DMA从设备读取图像数据，大部分帧正常，但偶尔会出现局部数据错位，像是缓存没刷干净。用逻辑分析仪抓链路层报文，发现TLP（事务层包）本身完好，但内存中的数据就是不对。排查三天后，终于锁定在设备端TLP的**属性字段（Attribute Field）**配置上——那几位看似不起眼的缓存、顺序控制位，差点让项目延期。今天我们就拆解PCIE事务头中的这个关键区域，看看它如何影响系统性能与数据安全。

z534437748的博客 50

《机器学习》第十章 降维与度量学习

降维的核心就是如何选择较好的不变量，通过维度的转换实现更高的准确率。 1.k近邻学习：一种投票学习法，可以作为一种度量手段；（疑问：为什么放在这一章？） 2.低维嵌入（MDS）：保持高低维度中距离的不变性； 3.主成分分析（PCA）：最大可分性和最近同构性，保留主要信息； 4.核化线性学习：非线性映射，高维的基坐标能被所有的样本点表示； 5.流形学习：高低维度中局部信息保持不变； 6.度量学习：如何直接对距离的表现形式进行学习。

weixin_43958728的博客 2119

第01章 Hermes Agent 是什么

如果读者所在的开发团队已经引入了 Cursor、Claude Code 这类 AI IDE，可能会有一个困惑：写代码已经有 AI 帮忙了，还需要 Hermes Agent 做什么？这一章将给出答案。Hermes Agent 不是另一个写代码的 AI，而是一个常驻在团队里的"AI 协作成员"，专门负责写代码之外的协作环节——讨论需求、审查代码、查日志、监控告警、生成报告。学完本章，读者将清楚 Hermes 的定位以及它在团队里的角色。

亢少军的博客 75

机器学习 第十章 降维与度量学习

第十章 降维与度量学习 k近邻学习多维缩放主成分分析流形学习 度量学习 10.1 k近邻学习 k近邻(k-Nearest Neighbor, kNN)学习是一种常用的监督学习方法懒惰学习：此类学习技术在训练阶段仅仅是把样本保存起来，训练时间开销为零，待收到测试样本后再进行处理。急切学习：在训练阶段就对样本进行学习处理的方法。最近邻分类虽简单，但它的泛化错误率不超过贝叶斯最优分类...

weixin_41045344的博客 592

2024阅读AOSP源码的正确打开姿势

在Android系统开发中，阅读AOSP（Android Open Source Project）源码是非常重要的环节。然而，如何构建一个优雅的阅读环境却是一个不容忽视的问题。本文将介绍不同工具和方法下阅读AOSP源码的正确姿势，并对比其优缺点。

虎哥LoveDroid 2707

锂电池充电器电路设计里面有电路

锂电池充电器电路设计里面有电路 3.7V升压到5V电路设计。

机器学习——第十章 降维与度量学习

流形学习有很多应用，例如数据可视化，数据压缩，数据生成，特征提取等。\(\text{令 }\mathbf{Z}=(\boldsymbol{z}_{1},\boldsymbol{z}_{2},\ldots,\boldsymbol{z}_{m})\in\mathbb{R}^{d^{\prime}\times m}, (\mathbf{W})_{ij}=w_{ij}\\\mathbf{M}=(\mathbf{I}-\mathbf{W})^{\mathrm{T}}(\mathbf{I}-\mathbf{W})\)

weixin_46002351的博客 543

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox（带书签），MATLAB统计学习工具

机器学习（周志华） 第十章降维与度量学习

关于周志华老师的《机器学习》这本书的学习笔记记录学习过程本博客记录Chapter10

YJY131248的博客 2243

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

机器学习笔记 第十章 降维与度量学习

值得注意的是，在分类任务中可使用投票法，回归任务中可使用平均法，此外，还可以进行加权平均或加权投票。流形学习是一类借鉴了拓扑流形概念的降维方法，如果低维流形嵌入到高维空间中，那么其分布虽然看上去十分复杂，但在局部上仍具有欧式空间的性质。等度量映射的观点是，高维空间上的直线距离在低维上不可达，而应是流体上的本真距离。降维效果通常是比较降维前后学习器的性能来体现的，如果性能有所提高，那么降维起了作用，当降维到二维或者三维，那么可以可以利用可视化技术来判断降维效果。求出矩阵的B的特征向量矩阵V，即。

qq_53034510的博客 888

机器学习第十章-降维与度量学习

K近邻学习是一种简单的监督学习算法，用于分类和回归任务。：存储训练数据及其标签，没有显式的训练过程。给定测试样本 x，若其最近邻样本为z 则最近邻分类器出错的概率就是x与z类别标记不同的概率，即：10.2低维嵌入在高维情形下出现的数据样本稀疏、距离计算困难等问是所有机器学习方法共同面的严重障碍，被称为"维数灾难"。

wastec的博客 1066

《深度学习》读书笔记 ——第十章 降维与度量学习

1、k邻近学习 k邻近（k-Nearest Neighbor，简称kNN）学习是一种常用的监督学习方法，其工作机制简单：给定测试样本，基于某种距离度量找出训练集中与最靠近的k个训练样本，然后基于这k个“邻居”的信息进行预测，通常，在分类任务中可使用投票法，即选择这k个样本中出现最多的类别标记作为预测结果；在回归任务中可使用“平均法”，即将这k个样本的实值输出标记的平均值作为预测结果；还可基于距离...

u011288709的博客 968

西瓜书学习——第十章降维与度量学习

通过这周对西瓜书第十章的学习，记录笔记如下： 第十章降维与度量学习——2低维嵌入第十章降维与度量学习——3主成分分析 第十章降维与度量学习——5流形学习 第十章降维与度量学习——5流形学习 ...

老三的博客 479

西瓜书读书笔记整理（十） —— 第十章 降维与度量学习

kNN算法（k-Nearest Neighbors）是一种常用的分类和回归算法。它的基本思想是根据最近邻的样本来预测未知样本的标签或值。**PCA（Principal Component Analysis）**是一种常用的线性降维算法，通过寻找数据中的主要方差方向，将高维数据映射到具有较低维度的新空间，以提取数据的关键信息和减少维度。PCA（Principal Component Analysis）是一种常用的线性降维算法，用于将高维数据映射到较低维度的新空间。

Smileyan's blog 1万+

上一篇：一起来读西瓜书：第十一章特征选择与稀疏学习

下一篇： pd.read_csv读取txt时整型变成浮点型问题解决

周志华《机器学习》之 第十章（降维与度量学习）概念总结

不系之舟的专栏-QQ讨论群331590339

08-26

3627