Python机器学习零基础理解K近邻算法

在当今数据驱动的世界里，机器学习无疑是最具变革性的科技之一。它不仅正在改变我们的生活方式，还正在重塑各个行业的运营模式。尽管机器学习听起来很高大上，但实际上许多基础算法并不复杂，完全可以由没有专业背景的人来理解。本文将以K近邻（K-Nearest Neighbors，简称KNN）算法为例，提供一份零基础的机器学习指南。

K近邻算法是一种用于分类和回归的简单算法，它的核心思想是：物以类聚，人以群分。通过测量不同特征值之间的距离可以对未知数据进行分类。这种方法广泛应用于各个领域，从推荐系统到医疗诊断，都有它的身影。

K近邻

K-最近邻 (KNN) 用于回归和分类。通过计算测试数据与所有训练点之间的距离，KNN 尝试为测试数据预测正确的类别。然后选择与测试数据最相似的K个点。

假设道路两侧有两片森林。有一天，一只狼忘记了回家的路，一直坐在路上。在路上看到狼，人们纷纷前来寻找它属于哪一片森林。有人想到一个主意，开始计算狼与森林两侧的距离。计算完之后，他把狼送到他发现离狼最近的森林一侧。

KNN 算法分析测试数据属于每个 K 个训练数据类的可能性，并选择具有最高概率的类。在回归中该值是选择的 K 个训练点的平均值。

什么是K近邻？

将 Train Data 绘制在平面