Para encontrar la muestra de entrenamiento más cercana a una muestra de prueba, simplemente puede usar la métrica de distancia euclidiana [matemáticas] \ min \ | x-x_i \ | ^ 2 [/ matemáticas] donde [matemáticas] x [/ matemáticas] es su muestra de prueba y [math] x_i [/ math] son las muestras de entrenamiento, [math] i = 1,2, .., M [/ math]. Eso sería independiente del clasificador utilizado, ya que los conjuntos de entrenamiento y prueba se identifican por separado antes del entrenamiento del clasificador.
Si la pregunta hubiera sido encontrar el vector de soporte más cercano a una muestra de prueba, entonces eso dependería del hiperplano de separación SVM. Desde el modelo SVM, puede encontrar esas muestras de entrenamiento que son vectores de soporte.
LIBSVM: obtenga vectores de soporte del archivo modelo
- ¿Cuál es el mejor lenguaje de programación para implementar algoritmos de aprendizaje automático?
- ¿Cómo se glorifican los métodos del kernel en la coincidencia de plantillas?
- ¿Cómo debo representar las características para la clasificación de texto?
- ¿Cuál es la diferencia entre neurociencia, neurobiología, neuroingeniería y neuropsicología?
- ¿Cuáles son los proyectos de aprendizaje automático más populares en Github?
Luego, puede usar una métrica similar para encontrar el vector de soporte más cercano.