k近邻法的特殊情况是k=1的情况,称为最近临算法,对于输入的实例点x,最近邻法将训练数据集中与x最邻近点的类作为x的类。
p = 2时,Lp距离称为欧式距离。
p = 1时,称为曼哈顿距离。
p = 无穷时,各个坐标距离的最大值。
k值减小导致过拟合,k太大导致欠拟合。
多数表决规则等价于经验风险最小化。
kd树搜索的平均计算复杂度为O(logN),
k近邻法是基本且简单的分类与回归方法,k近邻法的基本做法是: 对给定的训练实例点和输入实例点,首先确定输入实例点的k个最临近训练实例点,然后利用k个训练实例点来预测输入实例点。