K-NN gibi yerel yöntemler bazı durumlarda anlamlıdır.
Okulda yaptığım bir örnek, çeşitli çimento içeriklerinin karışımlarının basınç dayanımını öngörmekle ilgisi vardı. Bu bileşenlerin tümü, cevap veya birbirlerine göre nispeten uçucu değildi ve KNN, bunun üzerinde güvenilir tahminlerde bulundu. Başka bir deyişle, bağımsız değişkenlerin hiçbiri, modele tek tek veya muhtemelen karşılıklı etkileşim yoluyla vermek için orantısız şekilde büyük bir varyansa sahip değildi.
Bunu bir tuz tuzu ile alın çünkü bunu kesin olarak gösteren bir veri araştırma tekniğini bilmiyorum, ancak sezgisel olarak eğer özellikleriniz belirli oranda değişkenlik derecesine sahipse, hangi orana sahip olabileceğinizi bilmiyordum. KNN adayı. Bu etki için geliştirilen bazı çalışmalar ve ortaya çıkan tekniklerin olup olmadığını kesinlikle bilmek isterim.
Genelleştirilmiş bir etki alanı perspektifinden düşünürseniz, benzer 'tariflerin' benzer sonuçlar verdiği geniş bir uygulama sınıfı vardır. Bu kesinlikle karışım çimentosu sonuçlarının öngörülme durumunu tarif ediyor gibiydi. Bu açıklamaya göre davranan verilere sahipseniz ve ek olarak uzaklık ölçütünüzün eldeki alana da doğal olduğunu ve son olarak da yeterli verilere sahipseniz, KNN'den veya başka bir yerel yöntemden yararlı sonuçlar almanız gerektiğini hayal ediyorum. .
Yerel yöntemleri kullandığınızda da son derece düşük önyargıdan faydalanıyorsunuz. Bazen genelleştirilmiş ilave modeller (GAM), KNN kullanarak her bir değişkeni yerleştirerek yanlılığı ve farkı dengeleyebilir:
y^=f1(x1)+f2(x2)+⋯+fn(xn)+ϵ
fn(xn)
KNN'yi bu kadar çabuk yazmam. Onun yeri var.