k-Nearest Neighbors(k-NN)1-NN: ์๋ก์ด ๋ฐ์ดํฐ์ ๋ํ์ฌ ๊ฐ์ฅ ๊ทผ์ ํ ์ด์์ ํด๋์ค๋ก ๋ถ๋ฅํ๋ จ ๋ฐ์ดํฐ์ ๋ํด์ ๋ถ๋ฅ ์ ํ๋๋ ํญ์ 100%์ด๋ค. ์ฆ, training error๋ 0์ด๋ค. 3-NN: ์๋ก์ด ๋ฐ์ดํฐ์ ๋ํ์ฌ 3-์ต๊ทผ์ ์ด์์ ํด๋์ค๋ก ๋ถ๋ฅ k-NN ๋ถ๋ฅ๊ธฐ์ ํ์ํ ๊ฒ๋ค- ํด๋์ค ๋ผ๋ฒจ๋ก ๋ถ๋ฅ๋ ๋ฐ์ดํฐ์ - ๋ฐ์ดํฐ ๊ฐ์ '๊ฑฐ๋ฆฌ'๋ฅผ ์ธก์ ํ๊ธฐ ์ํ proximity metric- k-์ต๊ทผ์ ์ด์์ ๋ํ ํ๋ผ๋ฏธํฐ k- Weighting Scheme: ๊ฑฐ๋ฆฌ์ ๋ฐ๋ผ ๊ฐ์ค์น๋ฅผ ๋ค๋ฅด๊ฒ ๋ถ์ฌํ๋ ๋ฐฉ๋ฒ k-์ต๊ทผ์ ์ด์ ํ๋จ์ ์ํ ๋ฐ์ดํฐ ๊ฐ์ ๊ฑฐ๋ฆฌ ์ธก์ - Euclidean- Manhattan- Minkowski Feature๋ค์ Scaling์ด ํ์ํ๋ค.- ์ฌ๋์ ํค: 100cm ~ 200..