حاشیه بزرگ نزدیکترین همسایه
"این مقاله در حال ترجمه از ویکی انگلیسی است
لطفا حذف نشود."طبقه بندی حاشیه بزرگ نزدیکترین همسایه ( LMNN ) [۱] یک الگوریتم یادگیری ماشین آماری برای یادگیری متریک است . این یک شبه سنجی طراحی شده برای طبقه بندی k-نزدیک ترین همسایه را می آموزد. این الگوریتم مبتنی بر برنامه نویسی نیمه معین است که یک زیر کلاس از بهینه سازی محدب است.
هدف یادگیری تحت نظارت (به طور خاص طبقه بندی) یادگیری یک قانون تصمیم گیری است که می تواند نمونه های داده را در کلاس های از پیش تعریف شده طبقه بندی کند. قانون k-نزدیکترین همسایه یک مجموعه داده آموزشی از نمونه های برچسب گذاری شده را فرض می کند (یعنی کلاس ها شناخته شده هستند). یک نمونه داده جدید را با کلاس به دست آمده از اکثریت آرای k نزدیکترین نمونه های آموزشی (برچسب) طبقه بندی می کند. نزدیکی با یک متریک از پیش تعریف شده اندازه گیری می شود. حاشیه بزرگ نزدیکترین همسایه الگوریتمی است که این معیار جهانی (شبه) را به روشی نظارت شده می آموزد تا دقت طبقه بندی قانون k-نزدیکترین همسایه را بهبود بخشد.
This article "حاشیه بزرگ نزدیکترین همسایه" is from Wikipedia. The list of its authors can be seen in its historical and/or the page Edithistory:حاشیه بزرگ نزدیکترین همسایه. Articles copied from Draft Namespace on Wikipedia could be seen on the Draft Namespace of Wikipedia and not main one.
- ↑ Weinberger, K. Q.; Blitzer J. C.; Saul L. K. (2006). "Distance Metric Learning for Large Margin Nearest Neighbor Classification". Advances in Neural Information Processing Systems. 18: 1473–1480.صفحه پودمان:Citation/CS1/en/styles.css محتوایی ندارد.