基于KNN的RBF核分类方法

Question

这是X是训练矩阵，test_feature是一个测试数组。在

squared_euclidian = np.sum(np.square(X - test_feature), axis=1)

squared_euclidian是Squared Euclidian distance

具有完备numpy矩阵的输入数组的欧几里得距离

^{pr2}$

对于RBF（高斯）核，如幻灯片5所示

test_sigma = np.square(np.std(test_feature))
dist = np.exp(-1 * (squared_euclidian / test_sigma))

我在一个包含2000个实例的数据集上测试了这些函数，其中欧几里得的准确率为91%，而另一个为54%。在

RBF核函数的计算公式是错的吗？在

Answer 1

这不是我在幻灯片5中看到的正确公式吗？在

dist = np.exp(-.5 * squared_euclidian / np.square(test_feature.std()))

看一下关于np.std(ddof=...)的估计量的偏差的注释here