第二周【任务1】学习knn分类算法

第二讲：图像分类

·4.数据驱动方法

     训练数据与label  (使用pyhon查看图像的像素点)

      图像分类存在的问题与挑战（光照，角度，形变，遮挡）

     尝试的一些识别图像的方法 硬编码， 人为定义的一些角效果不好，所以尝试使用数据驱动方法。数据驱动方法是比深度学习更广义的一种方法

      近邻算法NN  常用的数据集合cira10数据集

      距离度量；L1范数，L2范数

      NN算法复杂度（缺点）

      NN与KNN的区别

      Ps: 图像分类数据和label分别是什么  图像分类存在的问题与挑战  L1范数，L2范数数学表达式  近邻算法NN  了解cira10数据集

         NN算法复的杂度

 ·5.K-NN  K-最近邻算法

      K-nn三要素     

两种距离度量L1,L2 

L1曼哈顿距离，非距离不变量。大小取决于选择的坐标系统

L2欧几里得距离，大小跟坐标系统无关。

超参数的选择（使用交叉验证进行优化）

          Idea1:根据训练集挑选超参数在训练数据表现最好的 bad idea

          Idea2:将数据分为训练集合与测试集合，挑选在测试集合表现最好的

               Bad idea too

          Idea3:将数据分为三组，训练集合额，验证集合，测试集合。挑选在验证数据表现最好的超参数 is ok

          Idea4:交叉验证 在小数据上是good idea  不建议用在深度学习上

           （学生提到的问题需要思考）

       Knn在图像中很少使用的

原因：（测试时速度慢，距离函数用在比较像素上不合适）

       另一个问题是维度灾难

      Ps: K-nn三要素  两种距离度量L1,L2分别适用于什么情况  超参数怎么选择   Knn存在的问题，为什么很少使用在图像上。

打卡内容：

1. 图像分类数据和label分别是什么  图像分类存在的问题与挑战

数据：图像。标签：类别

存在的问题与挑战：光照，角度，形变，遮挡

2. 使用python加载一张彩色图片，观察像素值

3.  L1范数，L2范数数学表达式  这两种度量分别适用于什么情况

L1范数：向量中每个元素绝对值的和 

L2范数：向量元素绝对值的平方和再开平方

4. 描述近邻算法KNN  NN算法的复杂度 为什么很少使用在图像中以及它存在的问题

5. 了解cira10数据集

6. 超参数怎么选择合适（即数据集如何划分）