स्पष्ट डेटा के साथ केएनएन वर्गीकरण

Question

मैं के-निकटतम पड़ोसी प्रतिगमन से संबंधित एक परियोजना पर काम करने में व्यस्त हूं। मैंने मिश्रित संख्यात्मक और विशिष्ट क्षेत्रों को मिश्रित किया है। स्पष्ट मान सामान्य हैं (उदा। बैंक का नाम, खाता प्रकार)। संख्यात्मक प्रकार, उदाहरण के लिए हैं वेतन और आयु। कुछ बाइनरी प्रकार भी हैं (उदाहरण के लिए, नर, मादा)।

मैं केएनएन विश्लेषण में स्पष्ट मूल्यों को शामिल करने के बारे में कैसे जा सकता हूं?

जहां तक ​​मुझे पता है, कोई भी प्रत्येक विशिष्ट फ़ील्ड को संख्या कुंजी (जैसे बैंक 1 = 1; बैंक 2 = 2, आदि) पर मैप नहीं कर सकता है, इसलिए मुझे विशिष्ट फ़ील्ड का उपयोग करने के लिए बेहतर दृष्टिकोण की आवश्यकता है। मैंने सुना है कि कोई बाइनरी संख्या का उपयोग कर सकता है - क्या यह एक व्यवहार्य विधि है? सलाह की सराहना की जाएगी।

Answer 1

आपको दूरी फ़ंक्शन ढूंढने की आवश्यकता है जो आपके डेटा के लिए काम करता है। बाइनरी सूचक चर का उपयोग इस समस्या को पूरी तरह से हल करता है। इस प्रकार के डेटा के साथ आपको शायद आपके मैट्रिक्स आधारित कार्यान्वयन को जारी रखने की अनुमति देने का लाभ है, लेकिन सबसे आसान तरीका - और अधिकतर दूरी आधारित तरीकों के लिए उपयुक्त - केवल एक संशोधित दूरी फ़ंक्शन का उपयोग करना है।

ऐसे संयोजनों की एक अनंत संख्या है। आपको प्रयोग करने की ज़रूरत है जो आपके लिए सबसे अच्छा काम करता है। अनिवार्य रूप से, आप संख्यात्मक मानों पर कुछ क्लासिक मीट्रिक का उपयोग करना चाह सकते हैं (आमतौर पर सामान्यीकरण के साथ लागू होता है, लेकिन यह सामान्यीकरण को दूरी समारोह में स्थानांतरित करने के लिए भी समझ सकता है), साथ ही अन्य विशेषताओं पर एक दूरी, उचित रूप से स्केल किया जा सकता है।

दूरी आधारित एल्गोरिदम के अधिकांश वास्तविक अनुप्रयोग डोमेन में, यह आपके डोमेन विशिष्ट दूरी फ़ंक्शन को अनुकूलित करने का सबसे कठिन हिस्सा है। आप इसे प्रीप्रोकैसिंग के हिस्से के रूप में देख सकते हैं: समानता को परिभाषित करना।

केवल यूक्लिडियन दूरी से अधिक है। विभिन्न सेट सैद्धांतिक उपायों हैं जो आपके मामले में अधिक उपयुक्त हो सकते हैं। उदाहरण के लिए, तनिमोतो गुणांक, जैककार्ड समानता, पासा के गुणांक और इसी तरह। कोसाइन भी एक विकल्प हो सकता है।

पूरी समानता खोज के विषयों के लिए समर्पित सम्मेलनों रहे हैं - कोई भी दावा किया कि कुछ भी लेकिन इयूक्लिडियन वेक्टर रिक्त स्थान में मामूली बात है (और वास्तव में, वहाँ भी नहीं): http://www.sisap.org/2012

Answer 2

स्पष्ट डेटा को संख्यात्मक रूप में परिवर्तित करने का सबसे आसान तरीका संकेतक वैक्टर का उपयोग करके है। मेरे पिछले टिप्पणी पर पोस्ट किया गया संदर्भ देखें।

Answer 3

हम इलाका संवेदनशील हैशिंग उपयोग कर सकते हैं (LSH) + दूरी संपादित करें और मान लें कि प्रत्येक बिन एक अलग श्रेणी का प्रतिनिधित्व करता है? मैं समझता हूं कि स्पष्ट डेटा कोई ऑर्डर नहीं दिखाता है और एलएसएच में डिब्बे को हैश फ़ंक्शन के अनुसार व्यवस्थित किया जाता है। हैश फ़ंक्शन ढूंढना जो एक मीट्रिक स्पेस सीखने की तरह मुझे एक बड़ी संख्या में डिब्बे देता है।