Các phương pháp địa phương như K-NN có ý nghĩa trong một số tình huống.
Một ví dụ mà tôi đã làm trong công việc ở trường phải làm với việc dự đoán cường độ nén của các hỗn hợp khác nhau của các thành phần xi măng. Tất cả các thành phần này tương đối không bay hơi đối với phản ứng hoặc lẫn nhau và KNN đã đưa ra dự đoán đáng tin cậy về nó. Nói cách khác, không có biến độc lập nào có phương sai lớn không tương xứng để trao đổi cho mô hình hoặc riêng lẻ hoặc có thể bằng tương tác lẫn nhau.
Lấy thứ này bằng một hạt muối vì tôi không biết về một kỹ thuật điều tra dữ liệu kết luận rõ ràng điều này nhưng theo trực giác thì có vẻ hợp lý rằng nếu các tính năng của bạn có một số mức độ chênh lệch tương xứng, tôi không biết tỷ lệ nào, bạn có thể có Ứng viên KNN. Tôi chắc chắn muốn biết nếu có một số nghiên cứu và kỹ thuật kết quả được phát triển cho hiệu ứng này.
Nếu bạn nghĩ về nó từ góc độ miền tổng quát, có một lớp ứng dụng rộng lớn trong đó các 'công thức' tương tự mang lại kết quả tương tự. Điều này chắc chắn dường như mô tả tình hình dự đoán kết quả của việc trộn xi măng. Tôi sẽ nói rằng nếu bạn có dữ liệu hành xử theo mô tả này và ngoài ra, thước đo khoảng cách của bạn cũng tự nhiên đối với miền và cuối cùng là bạn có đủ dữ liệu, tôi sẽ tưởng tượng rằng bạn sẽ nhận được kết quả hữu ích từ KNN hoặc phương pháp cục bộ khác .
Bạn cũng đang nhận được lợi ích của sự thiên vị cực kỳ thấp khi bạn sử dụng các phương pháp địa phương. Đôi khi, mô hình cộng gộp (GAM) cân bằng độ lệch và phương sai bằng cách khớp từng biến riêng lẻ bằng KNN sao cho:
y^= f1( x1) + f2( x2) + ⋯ + fn( xn) + Ε
Phần phụ gia (các ký hiệu cộng) bảo vệ chống lại phương sai cao trong khi việc sử dụng KNN thay cho bảo vệ chống lại sai lệch cao.fn( xn)
Tôi sẽ không viết tắt KNN nhanh như vậy. Nó có vị trí của nó.