Какой будет лучший алгоритм ближайшего соседа для этого приложения?

Question

Я классифицировал несколько объектов в последовательности видеокадров, беря список упорядоченных центроидов каждого объекта в предыдущем кадре и вычисляя эвклидовое расстояние до каждого набора центроидов в текущем кадре, а затем занимая минимальное расстояние между набор точек как один и тот же объект в последующих кадрах.

Этот метод работает очень хорошо, однако я понял, что это тип перестановки, где я беру выборку без замены (как только набор центроидов спарен, они удаляются из списка текущих центроидов). Проблема в том, что существует вероятность того, что если для данного объекта найден ближайший сосед, у которого также может быть другой сосед, который намного ближе, но не получает должным образом спаренного, потому что этот центр теперь удален из списка текущих объектов что приводит к ошибочной классификации.

Есть ли что-то похожее на k-ближайших соседей, где я могу учесть другие расстояния от заданного центра, обозначенного как ближайший сосед для текущего центроида? Приносим извинения, если это сбивает с толку, и, пожалуйста, дайте мне знать, если мне нужно представить иллюстрацию этого конкретного случая. Благодаря!

BTW, это делается на Python, поэтому, если есть соответствующие библиотеки, которые реализуют технику, которую вы предлагаете, это будет большой помощью.

Answer 1

Как я и знал, ваш главный вопрос - оптимизировать алгоритм и получить лучший результат от классификации. В задаче классификации, в зависимости от вашего набора данных, лучше попробовать другой алгоритм с другим параметром (например, в NN, попробуйте различный ближайший соседний номер точки или другой алгоритм, такой как KNN с шариковым деревом или что-то еще) и посмотрите результат или оцените с показателями, как кросс проверки

попытка взглянуть на это: http://scikit-learn.org/stable/modules/neighbors.html

вы можете использовать сетки поиска является sickit для оценки и тестирования другого параметра: http://scikit-learn.org/stable/modules/grid_search.html

или вы можете использовать генетический алгоритм для тестирования различных параметров и оценить результат: https://github.com/rsteca/sklearn-deap