=== Алгоритмы на основе [[Теория графов|графов]] ===
[[File:digits Euclidean.png|thumb|400px|Изображения рукописных цифр. <br>Слева {{---}} две цифры с большим евклидовым расстоянием, но одинаковой меткой класса. <br>Справа {{---}} те же цифры, "соединённые" неразмеченной последовательностью (путь в графе), где каждые две соседние цифры имеют малое евклидово расстояние.]]
[[File:digits Euclidean graph.png|thumb|400px|Граф, построенный на множестве рукописных цифр "1" и "2".]]
Данные можно представить в виде графа, построенного с использованием знаний в предметной области или на основе сходства объектов.
'''Пример'''
[[File:digits EuclideanГрафы, формирующиеся в процессе обучения, как правило, достаточно объёмны для графического отображения и человеческого восприятия.png|thumb|400px|Изображения Для большей ясности рассмотрим множество данных, состоящее только из рукописных цифр"1" и "2". <br>Слева {{Критерием сходства объектов послужит евклидово расстояние, которое бывает особенно полезно при поиске локального сходства. Если такое расстояние между объектами достаточно мало, мы можем предположить, что объекты принадлежат одному классу. На основе расстояния можно построить [[Метрический классификатор и метод ближайших соседей|KNN]]---}} две цифры граф (см. иллюстрацию), где объекты с большим малым евклидовым расстояниембудут соединены рёбрами. Чем больше имеется неразмеченных данных, но одинаковой меткой классасхожих с размеченными (см. <br>Справа {{---}} те же цифры, пример с цифрой "соединённые2" неразмеченной последовательностью (путь в графе), где каждые две соседние цифры имеют малое евклидово расстояние.]] [[File:digits Euclidean graph.png|thumb|400px|Графтем больше соотвествующих рёбер, построенный на множестве рукописных цифр "1" и "2", следовательно, большая точность классификации.]]
'''Достоинства алгоритмов на графах'''
