Lecture 2
课程内容记录：（上）https://zhuanlan.zhihu.com/p/20894041?refer=intelligentunit
（下）https://zhuanlan.zhihu.com/p/20900216
numpy文档翻译：https://zhuanlan.zhihu.com/p/20878530?refer=intelligentunit
1．最近邻分类器(NN)：
a[0]为第一行像素。图片像素转换形成的numpy矩阵（800,500,3）中，第一个参数为像素行数，第二个参数为像素列数，第三个参数是通道数。
2．关于L1和L2距离（KNN）：
如果离原点距离都是1的话，L1距离的点如图所示，比如第一象限（0.5,0.5）满足上图。L2距离则为圆，（sinx,cox）满足上式，所以L1距离有坐标轴的依赖性，而L2距离对坐标轴旋转变换不变。所以如果你的向量具有某种实际意义，与坐标轴的关系明确，那么L1是比较好的选择。
从上图我们可以看到，L1距离得到的分类决策边界更倾向于沿着坐标轴的方向（因为这时距离最大，最容易形成边界），而L2只是形成了最自然的形状。
3．关于k折交叉验证和k最近邻算法：
k最近邻算法（kNN）是考虑离观察点最近的k个点并让他们投票决定谁是最近的点。而k折交叉验证是将训练集分成k份，两个k是完全不同的。
原文：https://www.cnblogs.com/yun-an/p/10142028.html