Please enable JavaScript.

Coggle requires JavaScript to display documents.

Học có giám sát - Coggle Diagram

- - - - K-nearest neighbors
      - Mô hình tuyến tính phù hợp bằng cách sử dụng least-squares
    - - K-nearest neighbors đưa ra ít giả định về cấu trúc của dữ liệu và đưa ra các dự đoán có khả năng chính xác nhưng đôi khi không ổn định (nhạy cảm với những thay đổi nhỏ trong dữ liệu training).
      - Mô hình tuyến tính đưa ra các giả định mạnh mẽ về cấu trúc của dữ liệu và đưa ra các dự đoán ổn định nhưng có khả năng không chính xác.
    - - Cách thức hoạt động của phương pháp về mặt khái niệm ở cấp độ cao.
      - Thường cần loại tiền xử lý đặc trưng nào.
      - Các tham số chính kiểm soát độ phức tạp của mô hình, để tránh underfitting và overfitting.
      - Những mặt tích cực và tiêu cực của phương pháp học tập.
  - - - Đặc trưng nhà: thuế mỗi năm (X_tax), tuổi tính theo năm (X_age): (Y_price)^ = 212000 + 109 X_tax − 2000 X_age
      - Một ngôi nhà có các giá trị đặc trưng (X_tax, X_age) là (10000, 75) sẽ có giá bán dự đoán là: (Y_price)^ = 212000 + 109 ⋅ 10000 − 2000 ⋅ 75 = 1,152,000
  - - - w^ = (^(w0), ⋯ , ^(wn)): trọng số đặc trưng / hệ số mô hình
      - b^: thuật ngữ bias không đổi / intercept
- - - - Đối với mỗi đặc trưng x_i: tính giá trị nhỏ nhất x_i(min) và giá trị lớn nhất x_i(max) đạt được trên tất cả các trường hợp trong training set.
      - Đối với từng đặc trưng: biến đổi giá trị x_i của đặc trưng đã cho thành phiên bản được chia tỷ lệ x_i ′ bằng công thức:
  - - - Nhiều ảnh hưởng vừa / nhỏ: sử dụng ridge.
      - Chỉ một số biến có ảnh hưởng trung bình / lớn: sử dụng lasso.
  - - - Để nắm bắt tương tác giữa các đặc trưng gốc bằng cách thêm
        chúng dưới dạng các đặc trưng của mô hình tuyến tính.
      - Để làm cho một vấn đề phân loại dễ dàng hơn.
- - - - Tìm các trường hợp tương tự nhất (hãy gọi chúng là X_NN) cho x_test có trong X_train.
      - Lấy nhãn y_NN cho các phiên bản trong X_NN
      - Dự đoán nhãn cho x_test bằng cách kết hợp các nhãn y_NN
  - - - Giá trị 0 tương ứng với một mô hình không đổi dự đoán giá trị trung bình của tất cả các giá trị target training.
      - Giá trị 1 tương ứng với dự đoán hoàn hảo
  - - - n_neighbors: số lượng nearest neighbors (k) để xem xét
        
        Default = 5
    - - metric: hàm khoảng cách giữa các điểm dữ liệu
        
        Mặc định: Khoảng cách Minkowski với tham số công suất p = 2 (Euclidean)
- - - - Dữ liệu chưa nhìn thấy trong tương lai (test set) sẽ có cùng thuộc tính với các training sets hiện tại.
      - Do đó, các mô hình chính xác trên training set được kỳ vọng sẽ chính xác trên test set.
      - Nhưng điều đó có thể không xảy ra nếu trained model được điều chỉnh quá đặc biệt cho training set.