Si se trata de un problema de clasificación, supongo que tiene un nuevo punto y desea clasificar si es un PDI o no.
Aquí hay una idea, sus ubicaciones están esencialmente en el espacio euclidiano 2D. Parece razonable que los PDI puedan tener alguna correlación espacial, por lo que podría crear una función que tome la clase modal de las geolocalizaciones k más cercanas visitadas previamente. Eso es solo agregar una sola característica en su clasificador.
Alternativamente, si se trata de un problema de clasificación binaria, puede codificar cada geolocalización de entrenamiento como 0 o 1 y, para cada punto, usar el suavizado del núcleo con un núcleo gaussiano, por ejemplo, para calcular una suma ponderada sobre todas las geolocalizaciones visitadas anteriormente para obtener Una sola característica. ( El puntaje k más cercano es solo un ejemplo del uso de suavizado del núcleo con un núcleo no uniforme).
- Mientras entrena una red profunda, una vez que la precisión del entrenamiento alcanza el 100%, ¿hay algún punto en entrenar la red durante más épocas?
- ¿Se pueden usar los modelos ocultos de Markov como clasificadores binarios? Si es así, ¿cómo?
- ¿Cómo se convierten los físicos en ingenieros de aprendizaje automático?
- ¿Qué tan importante es Octave como primer paso en Machine Learning? ¿Se utiliza en la industria?
- ¿Cuál es la diferencia entre datos etiquetados y datos no etiquetados?