我(不是太深)对影响分类算法(例如 k-最近邻)的维度诅咒的理解是,在更高维度上,欧几里得空间的“稀疏性”开始发挥作用(例如,通过比较单位球相对于单位盒的体积/含量/尺寸)
我想知道研究人员是否考虑过研究除欧几里得空间(或其他空间)以外的黎曼流形规范()),用度量张量说其中系数是非常量的,甚至可能依赖于数据?
1.Aggarwal CC, Hinneburg A., Keim, DA (2001),“关于高维空间中距离度量的令人惊讶的行为”
我(不是太深)对影响分类算法(例如 k-最近邻)的维度诅咒的理解是,在更高维度上,欧几里得空间的“稀疏性”开始发挥作用(例如,通过比较单位球相对于单位盒的体积/含量/尺寸)
我想知道研究人员是否考虑过研究除欧几里得空间(或其他空间)以外的黎曼流形规范()),用度量张量说其中系数是非常量的,甚至可能依赖于数据?
1.Aggarwal CC, Hinneburg A., Keim, DA (2001),“关于高维空间中距离度量的令人惊讶的行为”
是的,例如Isomap算法和Laplacians eigenmaps就是这种情况。本文和此处列出了很多方法。其中一些是在scikit-learn中实现的。