机器学习——K-近邻算法

最新推荐文章于 2023-10-09 21:11:23 发布

fishsmans

最新推荐文章于 2023-10-09 21:11:23 发布

阅读量598

点赞数

文章标签：机器学习算法

本文链接：https://blog.csdn.net/fishsmans/article/details/120519352

版权

K-近邻（K-Nearest Neighbor, KNN）是一种经典的有监督学习方法，用于分类和回归问题。它基于懒惰学习，没有显式的学习过程。算法主要依赖k值选择、距离度量和分类决策规则。KNN算法流程包括数据收集、准备、分析，但不需要训练。Python实现KNN可以帮助理解其工作原理。" 101622117,8655068,Redis分布式集群详解：优势与特性分析,"['数据库', 'NoSQL', '缓存', '高性能', '数据存储']

摘要由CSDN通过智能技术生成

机器学习——K-近邻算法

简单地说，k-近邻算法采用测量不同特征值之间的距离方法进行分类
一、K-近邻算法
K近邻（K-Nearest Neighbor, KNN）是一种最经典和最简单的有监督学习方法之一。K-近邻算法是最简单的分类器，没有显式的学习过程或训练过程，是懒惰学习（Lazy Learning）。当对数据的分布只有很少或者没有任何先验知识时，K 近邻算法是一个不错的选择。

K近邻算法既能够用来解决分类问题，也能够用来解决回归问题。该方法有着非常简单的原理：当对测试样本进行分类时，首先通过扫描训练样本集，找到与该测试样本最相似的个训练样本，根据这个样本的类别进行投票确定测试样本的类别。也可以通过个样本与测试样本的相似程度进行加权投票。如果需要以测试样本对应每类的概率的形式输出，可以通过个样本中不同类别的样本数量分布来进行估计。
1、三个基本要素
k 值的选择、距离度量和分类决策规则
2、在这里插入图片描述