-1
让我们假设我们有一个巨大的数据库为我们提供训练数据D和专用于机器学习问题的较小测试数据T.这些数据涵盖了现实世界问题的许多方面，因此其结构非常不同。 当我们现在用D训练一个不接近定义的机器学习算法（神经网络，SVM，随机森林，...），并最终测试创建的模型对T时，我们获得了一定的性能测量P（混淆矩阵，mse，.. ）。分割训练数据以训练n个模型的最佳数量
的问题：如果我能获得更好的性能，通过将问题ITO更小的子问题，例如通过将D聚类成若干不同的训练集D1，D2，D3，...，我怎么能找到最佳的聚类？ （簇的数量，质心，......）
以一种蛮力的方式，我正在考虑使用带有随机数量的簇C的kNN聚类，这导致了训练数据D1，D2 ...特区。 我现在将训练C个不同的模型，并最终对训练集T1，T2，...，Tc进行测试，其中相同的kNN聚类已用于将T分割成C个测试集T1，...，Tc。
这给了我最佳的整体性能平均的组合（P1，P2，...，PC）将是一个我想选择。
我只是想知道你是否知道比暴力破解这个更复杂的方式？
非常感谢提前
这没有多大意义。试着对你正在做的事情更正式。它目前听起来像：通过kNN将一些巨大的数据分成较小的数据，这些数据在非常不同的数据集中起作用;在这些中学习一些分类器并采取最好的措施。显然，这是接近可能的最坏的方法，因为泛化被杀死了。随机选择数据集会更好（没有kNN）。 – sascha
随机选择数据集是例如随机森林确实如此，我意识到它的好处。但是，无论如何，将一个大问题分解为子问题应该使子问题处理更容易。你说的对，单一模型在泛化上差得多，因为它只处理整个可能性空间的一小部分。这就是为什么有一个很好的预选步骤是非常重要的，这个步骤能够正确地聚集新的传入数据。 – Marcus
想象一个问题，应该区分不同的布块。衬衫裤子，西装裙子等等。现在每个不同的类别都有子类别。裤子可以用牛仔裤，cort，西装裤等等来区分，而不是学习整个数据，我只能为裤子设计一个单一的模型，现在减少的问题是区分牛仔裤和cort等。现在，预处理步骤，可以区分裤子和其他部分。只有当我确定它是裤子时，我才会使用裤子模型。 – Marcus