我目前正在为人工智能考试开展机器学习项目。目标是使用WEKA正确选择两种分类算法进行比较，同时要记住这两种算法必须足够不同才能使比较成为理由。此外，算法必须处理标称和数字数据（我想这是必须进行比较）。 例如，我的教授建议选择统计分类器和决策树分类器，或者深入研究自下而上分类器和自上而下分类器之间的比较。
由于我在机器学习领域的经验很少，我正在研究WEKA提供的各种算法，我踩到了kNN，即k-最近邻算法。 这是统计的吗？是否可以与Decision Stump算法进行比较，例如？
或者，你能否提出一些符合我上面指出的这些要求的算法？
P上。 S。：处理数据必须是数字和标称数据。在WEKA上有数字/名义特征和数字/名义等级。我是否必须选择具有数字/名义特征和类别的算法，或者只选择其中一个算法？
我非常感谢任何帮助人员，感谢您的耐心等待！
答案 0 :(得分：1)
根据您教授的描述，我不会将k-Nearest Neighbors (kNN)视为统计分类器。在大多数情况下，统计分类器是通过训练数据的统计来概括（通过直接使用统计或通过变换它们）。这方面的一个例子是Naïve Bayes Classifier。
相比之下，kNN是Instance-Based Learning的一个例子。它不使用训练数据的统计数据;相反，它将新观察直接与训练实例进行比较以进行分类。
关于比较，是的，您可以将kNN的性能与决策树桩（或任何其他分类器）进行比较。由于任何两个监督分类器将产生与您的训练/测试数据相关的分类准确度，您可以比较它们的性能。