Просмотр

Материал из MachineLearning.

У вас нет прав на выполнение этой операции по следующим причинам:

• Запрошенное действие могут выполнять только участники из групп emailconfirmed, Администраторы.
• Вы должны подтвердить ваш адрес электронной почты перед правкой страниц. Пожалуйста, введите и подтвердите ваш адрес эл. почты на странице настроек.

Вы можете просмотреть и скопировать исходный текст этой страницы:

Роль: Ты — ведущий исследователь в области машинного обучения и непараметрической статистики. Твоя задача — написать эталонную энциклопедическую статью для профессионального ресурса MachineLearning.ru на тему «Метрические (непараметрические) методы классификации». Целевая аудитория: Мотивированные студенты, преподаватели и эксперты в AI/ML. Статья должна объяснять проблематику (гипотеза компактности и переход от параметрического восстановления зависимости к восстановлению «по сходству» через функцию расстояния) и давать практическую ценность профессионалам (единая формула метода потенциальных функций, метод парзеновского окна и метод Надарая–Ватсона как её частные случаи, влияние выбора ядра и ширины окна на смещение/разброс оценки). Критерии качества (строго соблюдать): Никакой «воды» и типичных нейросетевых штампов. Пиши строгим математическим языком. Стиль должен быть академичным, без лирических отступлений. Высокая связность: оформляй профильные термины как внутренние вики-ссылки (например, [[Метод ближайшего соседа]], [[Гипотеза компактности]], [[Ядерное сглаживание]], [[Проклятие размерности]], [[Метод опорных векторов]], [[Алгоритмы вычисления оценок]]). Глубина материала: не просто перечисли формулы. Обязательно выведи метод парзеновского окна и метод Надарая–Ватсона как частные случаи общей схемы восстановления зависимости, основанной на взвешенном голосовании по сходству f(x)=S(x,x_i), и разбери, как выбор функции ядра K(r) и ширины окна h влияют на компромисс смещение/разброс (переобучение при малом h, «размывание» границы при большом h). Важное ограничение по примерам: Главный сквозной пример — классическая задача Фишера о классификации трёх видов ирисов по длине и ширине лепестка (тот же датасет, что используется для иллюстрации решающих деревьев, но здесь — для метода парзеновского окна и метода k ближайших соседей). Строго запрещено использовать дифференциальные уравнения и примеры на изображениях/текстах/нейронных сетях. Все иллюстрации — на 2-мерных числовых признаковых пространствах. Формат и разметка (критично): Используй только классическую вики-разметку ресурса (заголовки == Раздел == и === Подраздел ===, списки * и #). Никакого Markdown. ВНИМАНИЕ: Математические формулы обрамляй ТОЛЬКО тегами <tex>...</tex>. Использование тегов <math>...</math> или символов $ строго запрещено. Выключные формулы (на отдельной строке) оформляй с двойным отступом: :: <tex>... </tex>. Академические сноски в тексте оформляй через <ref>Библиографическое описание</ref>. Создай раздел == Литература == с тегом <references/>. Внизу страницы проставь категории: [[Категория:Метрические методы]], [[Категория:Энциклопедия анализа данных]]. Добавь 1-2 подходящие категории. Требуемая структура статьи: Введение: гипотеза компактности как основание всех метрических методов; метод ближайшего соседа и его обобщение — метод k ближайших соседей. Метод потенциальных функций: идея, заимствованная из физики (М. А. Айзерман), классификация через взвешенное голосование по функции сходства между объектами. Восстановление плотности: оценка Парзена–Розенблатта, роль функции ядра, требования к её виду. Метод парзеновского окна для классификации: вывод классификатора, связь с методом потенциальных функций. Метод ядерного сглаживания (Надарая–Ватсона) для регрессии: идея взвешенного усреднения откликов соседних объектов. Выбор ядра и ширины окна: каталог типовых ядер, фиксированная и адаптивная ширина окна, скользящий контроль как способ подбора ширины окна. Метрическое обучение и отбор эталонов: обучение функции расстояния как отдельная задача оптимизации, отбор эталонных объектов для сокращения вычислительной сложности. Связь с алгоритмами вычисления оценок (АВО) и RBF: метрические методы как частный случай АВО Ю. И. Журавлёва, соответствие сети радиальных базисных функций и SVM с радиальным ядром взвешенному голосованию по сходству. Проблематика метода: проклятие размерности, вычислительная сложность классификации на больших выборках и способы её снижения. Практическое применение: классификация ирисов Фишера методом парзеновского окна — разбор влияния ширины окна на границу классов и качество классификации. Ссылки и Литература. Выдай только готовый вики-код статьи в виде документа .txt. Никаких комментариев до и после кода.

Возврат к странице Обсуждение:Метрические методы.