KNN算法步骤:
1、选取所有已知类别的实例作为参照选择参数K
2、计算位置实例与所有已知实例的距离
3、选择最近K个已知实例
4、根据少数服从多数的投票法则,让位置实例归类为K个最邻近样本中最多数的类别
距离的衡量标准:欧式距离、曼哈顿距离等等
算法优缺点:
优点:
简单,易于理解,无需建模与训练,易于实现;
适合对稀有事件进行分类;
适合与多分类问题,例如根据基因特征来判断其功能分类,kNN比SVM的表现要好。
1、选取所有已知类别的实例作为参照选择参数K
2、计算位置实例与所有已知实例的距离
3、选择最近K个已知实例
4、根据少数服从多数的投票法则,让位置实例归类为K个最邻近样本中最多数的类别
距离的衡量标准:欧式距离、曼哈顿距离等等
简单,易于理解,无需建模与训练,易于实现;
适合对稀有事件进行分类;
适合与多分类问题,例如根据基因特征来判断其功能分类,kNN比SVM的表现要好。