k最近邻分类器，但使用分布？

如何解决k最近邻分类器，但使用分布？

| 我正在为一些2D数据构建分类器。 我有一些训练数据，我知道这些训练的课程，并在图表上绘制了这些数据以查看聚类。 对于观察者来说，有明显的，单独的簇，但是不幸的是它们分散在直线上而不是紧密的簇中。一条线扩展线以大约80度角上升，另一条线扩展线与水平线成大约10度角，但所有三个线点似乎都指向原点。 我想对某些测试数据执行最近邻分类，从外观上看，如果测试数据与训练数据非常相似，则三邻域分类器可以很好地工作，除非数据接近图的原点，在这种情况下，三个群集非常靠近，可能会出现一些错误。 我应该为我的聚类得出一些估计的高斯分布吗？如果是这样，我不确定如何将其与最近的邻居分类器结合使用？ 感谢您的任何投入。 干杯

解决方法

在运行最近邻居之前，将所有点都转换为[r，angle]，并将r缩小至0到90的范围。 为什么呢NN使用点与中心之间的欧几里得距离（在大多数实现中）， 但是你想要

distance( point,centre )

更像 sqrt（（point.r-center.r）^ 2 +（point.angle-center.angle）^ 2） 比sqrt（（point.x-centre.x）^ 2 +（point.y-centre.y）^ 2）。 将比例缩小到30？ 10？重量角将大于r，这似乎是您想要的。,为什么要使用k-NN？任何线性分类器都可以解决问题。尝试使用SVM解决它，您将获得更好的结果。 如果您坚持使用kNN，则显然必须缩放功能并将其转换为极性功能，如此处所述。