KNN算法，又称最近邻算法，用于图片分类。通过计算测试对象与训练集中每个对象的距离，选取最近的K个邻居，根据邻居类别比例预测待分类对象的类别。算法准确度受距离计算方法（如曼哈顿距离、欧式距离）和K值选择影响。KNN简单实现包括距离计算和类别投票过程。
理论基础
KNN算法也可以叫做最近邻算法，找到该位置最近的K个邻居，并且在K个邻居中选择最近的占比最高的类别作为预测类别，我们可以通过一个图来理解
待预测的绿色的圆圈属于 哪一类我们要看临近的类别，如果取 K=3（图中的实心圆），红色三角形所占的比例为 2/3，蓝色正方形所占的比例为1/3，那么我们绿色圆可以被赋予红色三角形类别，如果取K=5的话，那么红色三角形占的比例为2/5，蓝色正方形所占的比例为3/5，此时绿色圆被赋予蓝色正方形类别。
KNN算法步骤
注：在算法中俩个因素会影响算法准确度：一个是预测对象和各个对象的距离，另一个是k值的选择。
下面说一下常见的两个测量距离的公式：曼哈顿距离和欧式距离
曼哈顿距离
- 假设先只考虑两个点，第一个点的坐标为（X1，y1），第二个点的坐标为（X2，y2），那么，它们之间的曼哈顿距离就是
∣ x 1 − x 2 ∣ + ∣ y 1 − y 2 ∣ \left|x_1-x_2\right|+\left|y_1-y_2\right| ∣x1−x2∣+∣y1−y2∣
欧式距离
- 以空间为基准的两点之间的最短距离。还是假设只有两个点，第一个点的坐标为（x1，y1），第二个点的坐标为（x2，y2），那么它们之间的欧式距离就是
( x 1 − x 2 ) 2 + ( y 1 − y 2 ) 2 \sqrt{\left (x_{1}-x_{2} \right )^{2}+\left (y_{1}-y_{2} \right )^{2} } (x
最低0.47元/天 解锁文章
扫一扫
7375
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
