knn 最近邻 算法的思考 与 总结

算法功能	分类（核心功能），回归
算法类型	有监督学习，惰性学习（没有产生模型），距离类模型
数据输入	包含数据标签y，特征空间中至少包含K个训练样本 特征空间中各个特征的量纲需要统一，若不统一则需要进行归一化处理 自定义超参数k
模型输出	在knn分类中，输出是标签中的某个类别 在knn回归中，输出是对象的属性值，该值是距离输入的数据最近的k个训练样本标签的平均值

1.优点

     1.1 简单好用 ，容易理解， 精度高，理论成熟，可以用来做分类也可以用来做回归

     1.2可以用于数值型数据，也可以用于离散型数据

    1.3无数据输入的假定

     1.4适合对稀有事件进行分类

 

 

2 缺点  ：

     计算复杂性高，空间复杂性高

     计算量太大，所以一般数值很大的时候不用这个，但是单个样本有不能太少，否则容易发生误分

      样本不平衡问题，

       可理解性比较差，无法给出数据的内在含义

 

The more important is  python