机器学习之：K-近邻算法

最新推荐文章于 2022-10-30 23:47:09 发布

kestiny

最新推荐文章于 2022-10-30 23:47:09 发布

阅读量380

点赞数

分类专栏： Python/机器学习

本文链接：https://blog.csdn.net/chlk118/article/details/80027356

版权

本文介绍了K-近邻(kNN)算法的基本概念、工作原理和一般流程，强调了其在分类问题中的应用。通过Python代码展示了如何实现kNN算法，并对算法进行了简单的测试。文章末尾提到，接下来会利用kNN进行手写数字识别的实战项目。

摘要由CSDN通过智能技术生成

 k-近邻算法（简称kNN）是易于理解和实现的算法，也是非常容易掌握的一种机器学习算法。
本文是学习Machine Learning in Action一书的成果，在此向著作此书的Peter Harrington 致敬。

01 什么是kNN

　　简单说，kNN算法采用计算不同特征值之间的距离进行分类的算法。kNN算法的模型就是整个训练数据集。当需要对一个未知数据实例进行预测时，kNN算法会在训练数据集中搜寻k个最相似实例。对k个最相似实例的属性进行归纳，将其作为对未知实例的预测。

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。

02k NN工作原理

　　存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所属分类的对应关系。输人没有标签的新数据后，将新数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本集中特征最相似数据（最近邻）的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处 , 通常k是不大于 20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。