-2023-04-22 00:35:57
-老师，请讲解一下官网“Jain Vignette”这一题，谢谢。
回答（2）
爱吃草莓的葡萄2023-04-23 13:01:51
爱吃草莓的葡萄同学你好。模型预测输出被证明是非线性的，它非常适合训练集，并且不太可能很好地推广到新数据，这被称为过拟合，刻意的将两类数据分为两队。
B不正确。一个投入不足的模型将显示出更线性的输出，预期结果和实际结果之间存在多个错误分类。
C不正确。具有“良好拟合”的模型将显示出更线性的输出，在没有定义模式的预期结果和实际结果之间存在一些错误分类。
同学如果回答解决了您的疑惑，请给回答给予采纳。祝早日持证！
- 评论（0）
- 追问（5）
- 追问
-
Alvis老师，谢谢您的解答。只是，能否用您自己的话，深入浅出的讲解这一题，而非翻译官网讲解呢，我就是没明白官网的解释，才在这里提问的哟。因此，我有一下两个追问，有劳逐一解答哈：
（1）请老师深入浅出地重新讲解一下这题。（包括对应知识点和各选项）
（2）为什么非线性就更适合training data呢？对应本章的只是出处在哪里呢？
有劳了，谢谢。
- 追答
-
同学你好。面对该散点图划分，你想到使用什么方法划分。首先肯定是直线对吧，利用直线，将两种点划分到两边，中间可能存在绿点中有少许红点，红中有少许绿点，这是正常的，只要我们能将大多数划在一边就很好，达到好的拟合目标。这一点可以借鉴回归的思想，即散点在回归线周围紧密围绕。
如果我不使用直线，例如像图中使用折现，我可以将绿的完全划在一边，将红的完全划在一边，这样达到了划分的目的，但是这种划分能够运用到样本外的预测吗，显然不能，因为这种划分太刻意了。刻意将两组数据完全分开，这种规则不一定适用于除此之外的数据，表明过拟合了。
如果我们使用随便什么线，例如直线，换个方向，从西北到东南走向划分数据，这就可能欠拟合了，因为绿点两边都有，而且数量差不多，相当于这种划分没有什么用，在样本外预测也不会有什么好的结果。
- 追问
-
谢谢Alvis老师详细、耐心的讲解。对于这部分（直线线性切割分类）我大致理解，有待进一步消化。我现在理解是一条直线切割分类是最好的（如SVM）。如果刻意折线分类，容易造成过拟合；反之，如果任意线随意划分，则容易造成欠拟合。
根据目前的理解也连同理解了为什么监督式学习中的支持向量（SVM）属于linearity。只是，KNN的划分非直线切割（如下截图），我还是有点不懂为什么KNN属于linearity，希望能弄明白消化这一部分哈，谢谢。
- 追答
-
同学你好。KNN被用来将一个新的观察值根据相似性划分到已分好的类别中，原有训练集数据是已分好类的，如下图。
- 追问
-
Alvis老师，您好。理解KNN属于supervised ML，因为是贴标签分类的。只是，我不明白为什么属于linearity?
Vincent2023-04-27 10:31:53
Vincent你好
线性分类器就是看其能形成一条近似线性的决策边界，比如SVM就是线性分类器，因为算法的目的就是找到一条清晰的线性边界。
KNN也是，把所有样本数据点分类后，能得到一条近似线性的分类边界。从实证看，随着K的增大，其线性分类边界会越加光滑。
- 评论（0）
- 追问（2）
- 追问
-
谢谢Vincent老师。请问可以就”KNN是把所有样本数据点分类后，能得到一条近似线性的分类边界“画一个图例吗？我还是没理解。我理解的是这些贴标签的分类点是被圈起来的，进圈的点数（data）是看k等于多少，至于linearity，我没理解，有劳再讲解一下，谢谢。
- 追答
-
你好
你看这个图，随着K增大，会更加趋向线性
评论
0/1000
追答
0/1000
+上传图片