(1)K-近邻(KNN)算法
对于未知类别属性数据集中的点:
1、计算已知类别数据集中的点与当前点的距离;
2、按照距离依次排序;
3、选取与当前距离最小的K个点;
4、确定前K个点所在类别的出现频率;
5、返回前K个点出现的频率最高的类别作为当前点预测分类。
(2)CNN
cnn组成[INPUT- CONV- RELU -POOL -FC]
输入层+卷积层+激活函数+池化层+全连接层
1、准备样本数据,均是以一个batch进行接入,如图片16张,32张一起传入
2、前向传播,获得损失函数
3、反向传播,获得梯度
4、运用梯度更新权重
(3)RNN
xt:表示第t,t=1,2,3···步的输入
st:表示隐层的第t步的状态,它是网络的记忆单元
st=f(Uxt+Wst -1),其中f一般是非线性的激活函数
ot:是第t步的输出
RNN缺点:
1、出现梯度消失现象
2、计算量太大