斯坦福cs231n课程记录——assignment1 KNN

最新推荐文章于 2023-08-27 08:53:50 发布

临江轩

最新推荐文章于 2023-08-27 08:53:50 发布

阅读量1.4k

点赞数 3

分类专栏：实践文章标签： KNN

本文链接：https://blog.youkuaiyun.com/weixin_39880579/article/details/85057223

版权

一、KNN原理

KNN是一种投票机制，依赖少数服从多数的原则，根据最近样本的标签进行分类的方法，属于局部近似。

优点：

1.简单（原因在于几乎不存在训练，测试时直接计算）；

2.适用于样本无法一次性拿到的情况；

3.KNN是根据周围邻近样本的标签进行分类的，所以适合于样本类别交叉或重叠较多的情况；

缺点：

1.测试时间太长，需要计算所有样本与测试样本的距离，因此需要提前去除对分类结果影响不大的样本；

2.不存在概率评分，仅根据样本标签判别；

3.当不同类别的样本数目差异较大时，数目较大的那一类别对KNN判别结果影响较大，因此可能产生误判；

4.无法解决高维问题

二 .某些API解释

1. plt.rcParams

作用：设置matplotlib的配置参数

例子：

%matplotlib inline
plt.rcParams['figure.figsize'] = (10.0, 8.0) # set default size of plots
plt.rcParams['image.interpolation'] = 'nearest'
plt.rcParams['image.cmap'] = 'gray'

2. auto_reload

作用：在调试的过程中，如果代码发生更新，实现ipython中引用的模块也能自动更新。

例子：

%load_ext autoreload
%autoreload 2

详情：

参考0

参考1

3. np.flatnonzero()

作用：矩阵扁平化后返回非零元素的位置

例子：

import numpy as np
x = np.arange(-2,3)
print x
y = np.flatnonzero(x)
print y

结果：

[-2 -1  0  1  2]
[0 1 3 4]

np.flatnonzero(y_train == y)

作用：找出标签中y类的位置

例子：

z = np.flatnonzero(x == -1)
print z

结果：

[1]

4. np.random.choice

原型：numpy.random.choice(a, size=None, replace=True, p=None)

作用：随机选取a中的值

详解：

参数	参数意义
a	为一维数组或者int数据；
size	为生成的数组维度；
replace	是否原地替换；
p	为样本出现的概率；

例子：

print(np.random.choice(7,4))  #[0 6 4 6]

解释：在0-7之间随机选取4个数。等同于np.random.randint(0,7,4)

print(np.random.choice(7,4,p=[0,0.1,0.3,0.2,0,0.2,0.2]))

解释：p中的值对应a中每个值的概率。

5.reshape中-1

作用：自动计算数组列数或行数

# Reshape the image data into rows
X_train = np.reshape(X_train, (X_train.shape[0], -1))
X_test = np.reshape(X_test, (X_test.shape[0], -1))
print(X_train.shape, X_test.shape)

输出：