nsc010
2013-04-18 22:15:44 UTC
我知道k-means是無監督的，用於聚類等，而k-NN是有監督的。但是我想知道兩者之間的具體區別嗎？
簡潔的比較：http://baoqiang.org/?p=579
我知道k-means是無監督的，用於聚類等，而k-NN是有監督的。但是我想知道兩者之間的具體區別嗎？
這些是完全不同的方法。它們名稱中都帶有字母K的事實是一個巧合。
K-均值是一種聚類算法，試圖將一組點劃分為K個集合（簇），以使每個群集中的點趨於彼此靠近。它是無監督的，因為這些點沒有外部分類。
K最近鄰是一種分類（或回歸）算法，為了確定點的分類，將K個最近點的分類。之所以受到監督，是因為您試圖基於已知的其他點分類來對點進行分類。
答案中的按位指出，k-means是一種聚類算法。如果涉及k最近鄰（k-NN），則該術語有點模糊：
在分類的上下文中，它是一種分類算法，如前面提到的答案
通常是一個問題，為此存在各種解決方案（算法）
因此，在第一種情況下，說“ k-NN分類器”實際上可以表示解決k-NN問題的各種底層具體算法，並且將其結果解釋為分類目的。
這些是兩種不同的事物，但您可能會發現k均值算法是解決k NN問題的各種可能方法之一（Marius Muja和David G. Lowe，“具有自動算法配置的快速近似最近鄰居”，在國際計算機視覺理論與應用會議（VISAPP'09），2009年 PDF）
您可以有一個監督的k均值。您可以根據標記的數據構建質心（如k均值）。沒有什麼可以阻止你。如果您想改善這一點，歐幾里德空間和歐幾里德距離可能無法為您提供最佳結果。您將需要選擇您的空間（例如，可以是黎曼空間）並定義點之間的距離（甚至定義一個“點”）。最後兩個是研究主題，它們還取決於您擁有的數據（信號）的類型（屬性）。
K-means可以為鄰居節點創建集群信息，而KNN找不到給定鄰居節點的集群。
k均值可用作在實際分類階段部署knn之前的訓練階段。K表示創建由屬於每個類別的樣本的質心和類別標籤表示的類別。knn使用這些參數以及k號對一個看不見的新樣本進行分類，並將其分配給由K均值算法創建的k類之一