1、线性分类器与 K N N KNN KNN的区别
线性分类器：通过特征的线性组合来做出分类决定。如感知机、支持向量机、 L D A LDA LDA算法以及逻辑斯蒂回归模型。
K N N KNN KNN：用数据训练模型，把很多图片输入模型，让模型记住这些图片，对新来的图片进行比较，看和哪一类的图片最像。相似度度量一般采用是L2距离算法或L1距离算法。下面以L1距离算法举例：
直接比较图片和图片直接的绝对差，最后将差值直接相加，即：
50 + 7 + 26 + 31 + 20 + 12 + 4 + 54 + 20 + 7 + 11 + 59 + 1 + 8 + 40 + 9 = 359 50+7+26+31+20+12+4+54+20+7+11+59+1+8+40+9=359 50+7+26+31+20+12+4+54+20+7+11+59+1+8+40+9=359
这就是用L1计算得到的相似度，当图片相同时就是0。
让近邻算法中有相似性的合并为一个，这就变成了K近邻。
2、线性分类器为什么可以看成一种模板匹配方法
如1中有关线性分类器的介绍， W W W权重矩阵中的每一行都可以被视为一个模板，对应不同的种类（猫、狗、船）。因为在计算 W x + b Wx+b Wx+b时，每个类别的得分只与矩阵中跟它在同一行的的元素有关，所以认为矩阵中的这一行是这个类别的模板。
3、线性分类器的缺点
a. 如果想在训练好的模型里再加入一个类别，则需要重新训练模型。
b. 不能用于线性不可分的情况。
4、代码
代码实现的任务
1、载入cifar-10 数据集。
2、输出相应的训练集和测试集数据 Xtr, Ytr, Xte, Yte。
3、显示数据集的形状和部分信息。
4、调整数据集大小。
5、使用KNN进行训练。
6、修改 k 参数。
7、验证其他两种实现方式。
8、查看三种实现方法的使用时间。
KNearestNeighbor 类整体分析
本质上， 这是一个类， 有多个成员函数构成， 用户调用的时候， 只需要调用 train 和 predict 即可得到想要的预测数据
其中， compute_distances_two_loops,compute_distances_one_loop,compute_distances_no_loops分别是用来实现需要预测的数据集 X 和 原始记录的训练集 self.X_train之间的距离关系， 并通过 predict_labels 进行KNN预测。
compute_distances_two_loops
这个函数主要通过两层 for 循环对计算测试集与训练集数据之间的欧式距离。
compute_distances_one_loop
本质上这里填入的代码和 上一节中的是一致的， 只是多了一个 axis = 1 指定方向。
compute_distances_no_loops
参考文章： /geekmanong/article/details/51524402
predict_labels
根据计算得到的距离关系， 挑选 K 个数据组成选民， 进行党派选举。
predict
这里主要做了两个步骤：
计算欧式距离；
KNN 统计预测信息。
如果觉得《李飞飞计算机视觉课CS231n第三天》对你有帮助，请点赞、收藏，并留下你的观点哦！
