KNN és Kmeans
az emberek gyakran összekeverednek a fenti témák között, és úgy gondolják, hogy bármelyikük bárhol használható.
a KÜLÖNBSÉG-
a K-azt jelenti, hogy egy felügyelet nélküli tanulás algoritmust használt csoportosítást probléma, mivel KNN egy felügyelt tanulási algoritmust használt osztályozás regressziós probléma. Ez az alapvető különbség a K-eszközök és a KNN algoritmus között.,
k-legközelebbi szomszédok algoritmus (k-NN) egy felügyelt módszer használt osztályozási és regressziós problémák. Azonban széles körben használják az osztályozási problémákban. Előrejelzéseket tesz azáltal, hogy megtanulja a múltból rendelkezésre álló adatokat.
mi a k-azt jelenti, klaszterezés?
K-azt jelenti, hogy a klaszterezés olyan adatok elemzésére és csoportosítására szolgál, amelyek egyáltalán nem tartalmaznak előre jelzett osztályt vagy akár egy osztály attribútumot.,
/ div >
hogyan különbözik a K-legközelebbi szomszéd algoritmus a K-től-azt jelenti, hogy klaszterezik?
- a KNN algoritmus a jellemzők hasonlóságán alapul, a K-means pedig az objektumok klaszterekre való felosztására utal (úgy, hogy minden objektum pontosan egy klaszterben van, nem több).
- a KNN egy osztályozási technika, a K-means pedig klaszterezési technika.,
nézzük értem, mi a különbség egy jobb út segítségével egy példa egy krokodil, aligátor,
KNN Algoritmus:
Meg lehet különböztetni egy krokodil, aligátor alapján a jellemzők.,
az ismeretlen állat jellemzői inkább krokodilok.
ezért ez egy krokodil!
k-azt jelenti, klaszterezés:
k-azt jelenti, végzi felosztása objektumok klaszterek, amelyek “hasonló” közöttük, és “eltérő”, hogy a tárgyak tartozó másik klaszter.,
/ div >
remélem, ez segített megérteni. 🙂