kNN与Logistic回归
kNN与Logistic回归
提问于 2019-10-12 06:13:16
你好，我把这个问题设为任选作业，并想征求一些意见。
假设一个人取一个数据集，将其分成训练和测试数据集，然后尝试两种不同的分类过程。首先采用logistic回归方法，对训练数据和测试数据的误差率分别为20%和30%。接下来，他们使用1近邻，平均错误率(在测试和训练数据集上的平均错误率)为18%。根据这些数字，你更喜欢哪种方法用于分类目的(新的观测)？为什么？
我倾向于说kNN，因为它是一种相当灵活的方法，平均提供了一个较低的错误。但这听起来不够正式，可能是一个有缺陷的、天真的结论。有意见吗？
回答 2
Data Science用户
发布于 2019-10-12 07:23:01
提示:在任何训练集上，一个最近邻的错误率是多少？
从此，确定此数据集上的测试错误。
Data Science用户
发布于 2019-11-11 09:18:54
当训练数据集的大小接近无穷大时，最近邻分类器保证错误率不超过Bayes错误率的两倍(在数据分布的情况下，最小可达错误率)。
我不喜欢他们没有给出两者在KNN中的错误率，他们给出了平均错误率。这让我想到，如果训练数据的准确率为95%，但测试的准确性很差，那么两者的平均误差都是18%。
也许他们想让你认为30-20=10 10*2=20 20>18
页面原文内容由Data Science提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://datascience.stackexchange.com/questions/61639
复制相关文章
相似问题
腾讯云开发者
