一、感知机算法

感知机算法输入R^n中的向量，输出y={1,-1}。学习函数如下：fx=sign(wx+b)，其中sign(x)=1(x>=0)或-1(x<0)。感知机算法仅能处理线性可分数据。

将wx+b=0看作向量空间中的分离超平面S，将样本（向量）分到超平面两边。

1.数据集的线性可分性：若存在超平面wx+b=0本不该讲数据集的正负例完全正确地分到两侧，即对y=1有wx+b>0，y=-1有wx+b<0，则称数据集为线性可分数据集。

2.要找一个对参数w、b连续可导的损失函数，然后针对该损失函数最小化的目标选定最优的w和b。

3.空间中任一点x0到超平面S的距离为(1/||w||)*|w*x0+b|，误分类点的y与wx+b符号相异，故误分类点到超平面距离总和为-(1/||w||)*sum(yi*|w*xi+b|)。设该函数为损失函数，要使它最小化。

4.使用随机梯度下降法优化损失函数。随机初始化w、b，每次随机从样本中抽取一个，若分类正确则不更新，若分类错误，则让w、b减去步长（0到1）乘梯度。

5.随机梯度下降：损失函数对w求偏导为-sum(yixi)，对b求偏导为-sum(yi)。而在随机梯度下降中可忽略sum。

6.对偶形式：感知机算法判别函数可写形式fx=sign(按j来sum(alfaj*yj*xj*xi)+b)。将xixj存为Gram矩阵，方便取用。每次随机取出样本，若分类错误，alfa=alfa+步长，b=b+步长*yi，直到无误分类项。

二、K近邻算法

（一）算法形式

根据给定的距离度量找出待测样本的k个邻居（k=1时为最近邻算法），然后多数表决决定类别。没有显示学习过程。

（二）距离度量

两点距离是其相似度的反映。由不同的距离度量确定的邻居是不同的（丑小鸭定理）。

1.欧式距离：[sum(|xi-yi|^2)]^(1/2)

2.曼哈顿距离：i点到j点的曼哈顿距离为d（i，j）=|xi-xj|+|yi-yj|（横坐标差值加纵坐标差值）。

3.切比雪夫距离：两点横坐标差值的绝对值和纵坐标差值的绝对值中的最大值，max（|xi-xj|，|yi-yj|）

4.闵可夫斯基距离：p次根号下(|xi-xj|^p+|yi-yj|^p)

5.其他：余弦相似度，皮尔逊相关系数，斯皮尔曼相关系数。

（三）k值的选择

1.较小的k代表高复杂度。通常用交叉验证法来解决k值选取。

2.k-fold交叉验证法：把训练样例分成k份,然后进行k次交叉验证过程,每次使用不同的一份作为验证集合,其余k-1份合并作为训练集合.每个样例会在一次实验中被用作验证样例,在k-1次实验中被用作训练样例。

（四）使用多数表决法的原因

最小化误分类率，即最小化（选择的划分区域类别，该划分区域中非该类别的样本占的比例）。

（五）k近邻法的实现：平衡kd树

Kd树用于对k维空间的实例点进行存储，是二叉树，表示对k维空间的一个划分。

1.构造方法：对各节点依次选择坐标轴对空间切分，选定实例点在选定坐标轴上的中位数为切分点（得到平衡的树）。深度为0的二分使用坐标1，为1用坐标2，周期性交替。每个节点直到无法再用其深度对应坐标划分为止。

2.使用kd树进行k近邻搜索：

（1）找出包含目标点的叶节点，在其中找目标点的k个邻居，并以其最远点构建超球体。

（2）回退到父节点并判断兄弟节点是否与超球体相交，若有则将相交区域中的点替换k个邻居中的点并重新计算超球体。

（3）直到某个兄弟节点不相交或回退到根节点为止。

3.kd树的平均计算复杂度为O(logN)，更适用于训练实例数远大于空间维数的k近邻搜索。当空间维数接近实例数时它的效率会迅速下降，几乎接近线性扫描。

（六）优缺点

K近邻：优点 ：模型容量大，在k值选取较大且训练数据非常多时能非常接近贝叶斯误差。

缺点：计算成本较高，对于样本量较小的分类问题，会产生误分，不能学习出特征之间的识别力强弱。

【转载】https://blog.csdn.net/humothetrader/article/details/81630213

奈斯