Почему я не могу получить доступ к результатам запроса Google Speech?

Как правило, сортировка массива будет более вычислительно эффективной, чем установка ученой модели, такой как классификатор ближайших соседей. Однако вы можете получить преимущество во время выполнения, если вам нужно только подобрать модель в одно время в начале.

Сортировка массива с помощью Numpy имеет наилучшую временную сложность O (nlogn). Если вам приходится сортировать каждый раз, когда вы выполняете поиск, это может быть неэффективным. Алгоритм KDTree , который вы можете использовать для использования класса NeariteNeighbors scikit-learn, может быть создан за время, равное O (nlogn), а затем поиск может выполняться за время, равное O (logn). Поэтому, если вам нужно только создать KDTree один раз в начале, это может быть более эффективным. Обратите внимание, что поиск должен будет вычислять расстояния от ваших векторов объектов, поэтому, если ваше пространственное пространство является пространственным, это может оказаться менее эффективным. И если вы никогда не столкнетесь с невидимыми точками данных, это может быть полностью расточительным.

Ваше решение здесь, вероятно, должно быть сосредоточено на использовании, а не на эффективности. Ближайший классификатор соседей обычно полезен, если вам нужно классифицировать новые, никогда не просматриваемые точки данных. Если у вас уже есть все расстояния, хранящиеся в таблице, для каждой точки данных, с которой ваша система будет сталкиваться, вы можете не узнать научный классификатор, потому что вы можете просто просмотреть эту точку в своей таблице или построить дерево поиска, чтобы получить доступ к точкам из расстояния, которые у вас уже есть. Если, однако, ваша система столкнется с данными, которых у вас нет в вашей таблице, вы можете обучить классификатор, используя таблицу, как данные обучения, и, например, позволяют модели оценить расстояния, которые у вас отсутствуют.

Обратите внимание, что классификатор ближайших соседей не является единственным типом модели, который полезен для классификации невидимых точек данных, и у всех классификаторов есть плюсы и минусы рассматривать. Но сначала важно решить, имеет ли научная модель смысл для вашего приложения.

И как всегда при решении вопросов скорости важно реализовать и профилировать ваши варианты.