Son útiles cuando necesita realizar una búsqueda de similitud sin pérdidas (es decir, se encuentran todas las respuestas verdaderas) (neibhor o rango más cercano) en un espacio métrico. Sin embargo, en muchos casos, las personas 1) solo se preocupan por el espacio métrico muy específico, es decir, L2 2) no les importa que la búsqueda sea completamente precisa. Esta es la razón por la cual el uso de enfoques no exactos, como la agrupación de k-medias (que en realidad se puede ver como la variante L2 del árbol M) o LSH. La agrupación de k-means es parte de la conocida biblioteca Flann.
Algunos experimentos relativamente recientes indican que un mejor rendimiento (a expensas de un tiempo de indexación más largo) a menudo se puede mostrar mediante gráficos knn (también conocidos como gráficos de proximidad). Además, los gráficos knn parecen funcionar bien en muchos espacios no métricos. Mantengo la biblioteca de búsqueda de similitud donde tenemos dos implementaciones del gráfico knn (la rama maestra tiene solo una implementación, la rama de desarrollo tiene una adicional): searchivarius / NonMetricSpaceLib
- ¿Cuál es el algoritmo utilizado por Roposo?
- ¿Cómo se realiza la coincidencia de cadenas en SQL?
- ¿Qué tipo de datos debo usar en C para almacenar datos como a1b2c3? ¿Podría usar una matriz de caracteres para almacenar esto como una cadena?
- ¿Cuál es la mejor manera de aprender estructuras de datos y Java?
- ¿Cómo funciona el ciclo for de este algoritmo?
