Machine learning 神经网络或任何其他监督学习算法能否学习特殊的统计方法？
我知道任何隐层数的神经网络都可以逼近非线性函数，但它甚至可以预测某些特殊函数，特别是与某些统计方法一样吗 假设分类问题的统计规则如下。对于输入X_序列和输出Y_序列的训练集，我们计算属于每个特定类别的X_序列的几何平均值（即每个特定类别的X_序列中心）。因此，对于每个类，我们都有一个中心X。对于测试数据，我们通过找到到训练中心的最短欧几里德距离来估计类标签。例如，假设培训为我们提供以下映射：（-1,1,1）->0，（1,1,1）->1。然后对于测试数据（-0.8,0.5,1），因为它更接近（-1,1,1），所以它应该属于0类 问题是我不知道是否有任何监督学习方法可以做到上述策略。我称之为“监督k-means”。KNN方法类似，但它基于N个最近点而不是所有训练点的平均值来查找标签Machine learning 神经网络或任何其他监督学习算法能否学习特殊的统计方法？,machine-learning,neural-network,supervised-learning,Machine Learning,Neural Network,Supervised Learning,我知道任何隐层数的神经网络都可以逼近非线性函数，但它甚至可以预测某些特殊函数，特别是与某些统计方法一样吗 假设分类问题的统计规则如下。对于输入X_序列和输出Y_序列的训练集，我们计算属于每个特定类别的X_序列的几何平均值（即每个特定类别的X_序列中心）。因此，对于每个类，我们都有一个中心X。对于测试数据，我们通过找到到训练中心的最短欧几里德距离来估计类标签。例如，假设培训为我们提供以下映射：（-1,1,1）->0，（1,1,1）->1。然后对于测试数据（-0.8,0.5,1），因为它更接近（-1
我想知道神经网络是否能做到这一点。或者我是否错过了其他可以实现上述策略的学习技巧？如果我试图学习的统计策略更复杂，例如包括中心方差和协方差，该怎么办？使用神经网络解决此类问题将是过火
做一些和你描述的相似的事情。他们将每个类的中心估计为算术平均值，并将每个点与最近的中心相关联。但他们计算修正距离而不是欧几里德距离：GNB估计每个特征的条件方差，LDA也估计协方差。它们还考虑了先验类概率。这些修改可能会改进您的分类，但如果您不想这样做，您可以自己为其编写一个算法。使用神经网络解决此类问题将是过火 做一些和你描述的相似的事情。他们将每个类的中心估计为算术平均值，并将每个点与最近的中心相关联。但他们计算修正距离而不是欧几里德距离：GNB估计每个特征的条件方差，LDA也估计协方差。它们还考虑了先验类概率。这些修改可能会改进您的分类，但是如果您不想要它们，您可以自己编写一个算法