待验证50% 置信注意事项精确时间
K-means依赖欧氏距离，在处理高基数类别特征时因维度灾难导致距离度量失效
1
来源数
50%
置信度
长期有效
时效性
2026/7/11
首次发现
来源
K-means vs 随机森林：如何从根本上判断算法选型？
redditr/learnmachinelearning2026/7/10
相关事实
待验证对高基数类别特征进行独热编码会导致特征空间急剧膨胀，造成维度灾难，使欧氏距离在高维稀疏空间中区分能力急剧下降70% 相似待验证是否将未铺装的越野小径（track）纳入可达范围会显著影响难抵极点的计算结果67% 相似待验证正的最大李雅普诺夫指数意味着相邻轨迹以指数速率发散，使预测时域受到根本性的物理限制64% 相似待验证总变差距离定义为TV(P,Q) = sup_A |P(A) - Q(A)|，相比KL散度具有对称性且取值在0到1之间，与假设检验最优错误率通过Neyman-Pearson引理直接挂钩63% 相似待验证对比学习的核心损失函数（如InfoNCE、NT-Xent）本质是拉近同类样本表征距离、推远不同类样本表征距离62% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/485787API
curl https://kongchang.com/api/v1/knowledge/claims/485787MCP
get_claim(id=485787)