在KNN中,L1距离何时能与L2距离提供相似的性能?

这里有一个棘手的问题:

假设在KNN中我们使用了L2距离(欧几里得距离)。我们也可以使用其他距离度量,例如L1距离。如果使用L1距离的最近邻分类器的性能不会改变,那么以下情况成立:

  1. 数据经过预处理,减去均值。
  2. 数据经过预处理,减去均值并除以标准差。
  3. 数据的坐标轴被旋转。
  4. 以上皆非。

回答:

只有第2项是正确的,因为其他选项会过多地改变L1距离

Related Posts

使用LSTM在Python中预测未来值

这段代码可以预测指定股票的当前日期之前的值,但不能预测…

如何在gensim的word2vec模型中查找双词组的相似性

我有一个word2vec模型,假设我使用的是googl…

dask_xgboost.predict 可以工作但无法显示 – 数据必须是一维的

我试图使用 XGBoost 创建模型。 看起来我成功地…

ML Tuning – Cross Validation in Spark

我在https://spark.apache.org/…

如何在React JS中使用fetch从REST API获取预测

我正在开发一个应用程序,其中Flask REST AP…

如何分析ML.NET中多类分类预测得分数组?

我在ML.NET中创建了一个多类分类项目。该项目可以对…

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注