使用置信区域的最近邻区

Question

我有超过 100 万个数据点，其中 32 个（图片中的橙色）是我真正的班级。
我想找到与橙色相似的蓝点。
特征向量只是嵌入。

我采用的方法是建立一个伪 95 置信区域，然后将该区域内的点标记为我的真实标签。 我认为我不能使用 KNN 算法，原因如下：

• 我只事先知道哪些点属于正类。
• KNN 会高度过度拟合，因为我在超过 100 万个数据点上只有 32 个正数据点。
  有没有其他算法或方法更适合这个问题？

Answer 1

集群非常大的数据集往往会停止。这是一个疯狂的想法。您可以随机抽取数据集样本并使用它吗？如果选择过程是完全随机的，那么它只是整个数据集的一个子集，而较小的部分应该非常能代表整个数据集。应该就这么简单。

subset = df.sample(frac=0.5)

查看此链接了解更多信息。

https://towardsdatascience.com/how-to-sample-a-dataframe-in-python-pandas-d18a3187139b