一.距离量度
1.常见距离公式
欧氏距离
![](https://i-blog.csdnimg.cn/blog_migrate/1450b9d662376f67aa471dadf769f255.png)
曼哈顿距离:
![](https://i-blog.csdnimg.cn/blog_migrate/b44096468aa9dcfa200c3e25f09d1124.png)
切比雪夫距离:
闵可夫斯基距离(闵氏距离)
不是一种新的距离的度量方式,是对多个距离公式的概括性的表述
二.特征预处理
1.数据归一化:通过对原始数据进行变换把数据映射到【mi,mx】(默认为[0,1])之间
![](https://i-blog.csdnimg.cn/blog_migrate/e896e04023d3bb510f0496ef94c377c4.png)
2.数据标准化:通过对原始数据进行标准化,转换为均值为0标准差为1的标准正态分布的数据
![](https://i-blog.csdnimg.cn/blog_migrate/79991b123da867636147f0d5e5a2ed74.png)
3.总结:
![](https://i-blog.csdnimg.cn/blog_migrate/c01279449cd96ec55f1ced4b6500a55a.png)
![](https://i-blog.csdnimg.cn/blog_migrate/e896452bc67329926f5d3ac0208be885.png)
![](https://i-blog.csdnimg.cn/blog_migrate/64bf7357d8c5ba0f56860d758938678d.png)
三.经典案例-鸢尾花分类问题
1.实现流程
a.加载/获取数据集;
b.数据展示;
c.特征处理/数据标准化;
d.实例化;
e.模型训练(机器学习);
f.模型评估(准确率等);
g.模型预测。
![](https://i-blog.csdnimg.cn/blog_migrate/d59534c7e53045d29b9b48962b10567a.png)
![](https://i-blog.csdnimg.cn/blog_migrate/031515c96479e1e3dd0e5a8b0d06991e.png)