K-近邻

K-近邻算法通过计算样本间的距离进行分类,适用于异常值不敏感的情况。它存在计算复杂度和空间复杂度高的问题。K-近邻算法在约会网站配对效果案例中,通过对特征归一化处理,提高分类效果。K值的选择对预测结果有显著影响,小K值可能导致对噪声敏感,大K值则可能引入不相关数据。
摘要由CSDN通过智能技术生成

  K-近邻算法测量样本不同特征之间的距离进行分类

原理:

存在一个训练数据集,每个样本都有相对应的标签,输入没有标签的新数据,将新数据每个特征与训练集数据对应的特征进行比较,提取训练集中特征最相似数据(前K个)的分类标签,选择K个最相似数据中出现次数最多的类别,最为该新数据的类别。

优点:精度高,对异常值不敏感,无数据输入假定

缺点:计算复杂度高,空间复杂度高

 对未知类别属性的数据集中的每个样本执行以下操作:

1)计算已知类别数据集中的每个样本与当前样本的距离

2)按距离递增排序

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值