Unverified50% confidenceFactExact time
K-means对初始簇中心敏感，K-means++通过概率化初始化缓解这一问题
1
Sources
50%
Confidence
Long-term
Relevance
7/11/2026
First Seen
Sources
K-means vs 随机森林：如何从根本上判断算法选型？
redditr/learnmachinelearning7/10/2026
Related Claims
Unverified前向KL散度D(p||q)倾向于让q覆盖p的所有可能性（mode-covering），是变分推断和监督学习中最常用的形式65% similarUnverified命名中的K_M后缀表示采用分组量化策略，在相同比特数下通常保留更好的模型精度62% similarUnverifiedk-NN是无参数方法，要求嵌入空间本身具备良好的语义聚类结构；Linear Probe在冻结特征上添加可训练线性分类层，能重新校准特征空间的几何结构61% similarVerifiedMoE架构通过门控网络为每个输入Token动态选择最相关的K个专家（通常Top-K，K=2），推理时仅激活约10%-30%总参数量60% similarUnverifiedBKT的四个核心参数为：初始掌握概率P(L₀)、学习转移概率P(T)、猜测概率P(G)和失误概率P(S)，通过期望最大化算法从答题序列迭代估计58% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/480313API
curl https://kongchang.com/api/v1/knowledge/claims/480313MCP
get_claim(id=480313)