- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在做一个项目来比较各种分类算法的有效性,但我遇到了一个令人沮丧的问题。数据可以在这里找到:http://archive.ics.uci.edu/ml/datasets/Adult分类问题是根据人口普查数据判断一个人的年收入是否超过 5 万。
两个示例条目如下:
45、私有(private)、98092、高中毕业生、9、已婚公民配偶、销售、丈夫、白人、男性、0、0、60、美国、<=50K
50、Self-emp-not-inc、386397、单例汉、13 岁、已婚公民配偶、销售、丈夫、白人、男性、0、0、60、美国、<=50K
我熟悉使用欧几里德距离来计算向量之间的差异,但我不确定如何混合使用连续和离散属性。是否有任何有效的方法可以以有意义的方式表示两个向量之间的差异?我很难理解像第三个属性这样的值有多大(由根据因素提取数据集的人计算的权重,因此相似的权重应该具有相似的属性)以及它之间的差异可以保留意义来自男性或女性等离散特征,如果我正确理解该方法,则欧几里得距离仅为 1。我确信可以删除某些类别,但我不想删除那些对分类有重大影响的内容。一旦我弄清楚了这个问题,我就会首先处理 k-NN,然后是贝叶斯分类器,最后是像 C4.5 或 ID3 这样的决策树模型(如果我有时间的话)。
最佳答案
当然,您可以通过多种方式扩展欧几里德距离。最简单的扩展是以下规则:
如果存在匹配,则该坐标中的距离 = 0,否则为 1
挑战在于使距离概念与 k-NN 后续过程“相关”。在某些情况下(例如教育),我认为最好将教育(离散变量)映射到连续变量,例如受教育年限。因此,您需要编写一个映射函数,例如“HS-grad”到 12,“Bachelors”到 16,类似的东西。
除此之外,直接使用 k-NN 是行不通的,因为多个不相似维度之间的“距离”概念没有得到很好的定义。我认为你最好放弃其中一些维度或以不同的方式衡量它们。我不知道数据集中的第三个数字(例如 98092)意味着什么,但如果您使用朴素欧几里德距离,与年龄等其他维度相比,这将是极其超重的。
我不是机器学习专家,但我个人很想在降维数据集上启动 k-NN,您只需选择一些广泛的人口统计数据(例如年龄、教育、婚姻状况)并忽略更棘手的/“嘈杂”类别。
关于machine-learning - 计算混合特征分类的向量距离,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/20203041/
我正在尝试使用 Pandas 和 scikit-learn 在 Python 中执行分类。我的数据集包含文本变量、数值变量和分类变量的混合。 假设我的数据集如下所示: Project Cost
我想要一种图形化且有吸引力的方式来表示二进制数据的列总和,而不是表格格式。我似乎无法让它发挥作用,尽管有人会认为这将是一次上篮。 数据看起来像这样(我尝试创建一个可重现的示例,但无法让代码填充 0 和
我有一个简单的类别模型: class Category(models.Model): name = models.CharField(max_length=200) slug = mo
我正在开发一个知识系统,当用户进入一道菜时,该系统可以返回酒。我的想法是根据用户的输入为每个葡萄酒类别添加分数,然后显示最适合的葡萄酒类别的前 3 个。例如,如果有人输入鱼,那么知识库中的所有红葡萄酒
我目前正在研究流失问题的预测模型。 每当我尝试运行以下模型时,都会收到此错误:至少一个类级别不是有效的 R 变量名称。这将在生成类概率时导致错误,因为变量名称将转换为 X0、X1。请使用可用作有效 R
如何对栅格重新分类(子集)r1 (与 r2 具有相同的尺寸和范围)基于 r2 中的以下条件在给定的示例中。 条件: 如果网格单元格值为 r2是 >0.5 ,保留>0.5中对应的值以及紧邻0.5个值的相
我想知道在 java 中进行以下分类的最佳方法是什么。例如,我们有一个简单的应用程序,其分类如下: 空气 -----电机类型 -----------平面对象 -----非电机型 -----------
这是一个非常基本的示例。但我正在做一些数据分析,并且不断发现自己编写非常类似的 SQL 计数查询来生成概率表。 我的表被定义为值 0 表示事件未发生,而值 1 表示事件确实发生。 > sqldf(
假设我有一组护照图像。我正在开展一个项目,我必须识别每本护照上的姓名,并最终将该对象转换为文本。 对于标签(或分类(我认为是初学者))的第一部分,每本护照上都有姓名,我该怎么做? 我可以使用哪些技术/
我有这张图片: 我想做的是在花和树之间对这张图片进行分类,这样我就可以找到图片中被树木覆盖的区域,以及被那些花覆盖的区域。 我在想这可能是某种 FFT 问题,但我不确定它是如何工作的。单个花的 FFT
我的数据集有 32 个分类变量和一个数值连续变量(sales_volume) 首先,我使用单热编码 (pd.get_dummies) 将分类变量转换为二进制,现在我有 1294 列,因为每一列都有多个
我正在尝试学习一些神经网络来获得乐趣。我决定尝试从 kaggle 的数据集中对一些神奇宝贝传奇卡进行分类。我阅读了文档并遵循了机器学习掌握指南,同时阅读了媒体以尝试理解该过程。 我的问题/疑问:我尝试
我目前正在进行推文情绪分析,并且有几个关于步骤的正确顺序的问题。请假设数据已经过相应的预处理和准备。所以这就是我将如何进行: 使用 train_test_split(80:20 比例)停止测试数据集。
一些上下文:Working with text classification and big sparse matrices in R 我一直在研究 text2vec 的文本多类分类问题。包装和 ca
数据 我有以下(简化的)数据集,我们称之为 df从现在开始: species rank value 1
我一直在尝试创建一个 RNN。我总共有一个包含 1661 个单独“条目”的数据集,每个条目中有 158 个时间序列坐标。 以下是一个条目的一小部分: 0.00000000e+00 1.9260968
我有一个关于机器学习的分类和回归问题。第一个问题,以下数据集 http://it.tinypic.com/view.php?pic=oh3gj7&s=8#.VIjhRDGG_lF 我们可以说,数据集是
我用1~200个数据作为训练数据,201~220个作为测试数据格式如下:3 个类(类 1、类 2、类 3)和 20 个特征 2 1:100 2:96 3:88 4:94 5:96 6:94 7:72
我有 2 个基于多个数字特征(例如 v1….v20)的输出类别(好和差)。 如果 v1、v2、v3 和 v4 为“高”,则该类别为“差”。如果 v1、v2、v3 和 v4 为“低”,则该类别为“好”
我遇到了使用朴素贝叶斯将文档分类为各种类别问题的问题。 实际上我想知道 P(C) 或我们最初掌握的类别的先验概率会随着时间的推移而不断变化。例如,对于类(class) - [音乐、体育、新闻] 初始概
我是一名优秀的程序员,十分优秀!