Regularized k-Nearest Neighbors
Regularized k-Nearest Neighbors (kNN) erweitert den klassischen Nearest-Neighbor-Algorithmus um Regularisierungsmechanismen – am häufigsten kernelbasierte Distanzgewichtung oder Bandbreitenkontrolle –, die Vorhersagen glätten, die Empfindlichkeit gegenüber der Wahl von k reduzieren und die Varianz senken. Das Ergebnis ist ein stabilerer und besser kalibrierter instanzbasierter Lerner für Klassifikations- und Regressionsaufgaben auf tabellarischen Daten.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Cover, T. & Hart, P. (1967). Nearest neighbor pattern classification. IEEE Transactions on Information Theory, 13(1), 21–27. DOI: 10.1109/TIT.1967.1053964 ↗
- Hastie, T., Tibshirani, R. & Friedman, J. (2009). The Elements of Statistical Learning (2nd ed., Ch. 13). Springer. ISBN: 978-0-387-84858-7
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Regularized k-Nearest Neighbors (Kernel-Weighted kNN). ScholarGate. https://scholargate.app/de/machine-learning/regularized-k-nearest-neighbors
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Gauß-ProzessMaschinelles Lernen↔ compare
- Regulierte Gauß-ProzesseMaschinelles Lernen↔ compare
- Regularisierte Logistische RegressionMaschinelles Lernen↔ compare
- Regularisierte Support Vector MachineMaschinelles Lernen↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →