KNN (K-最近邻居) 和 K-Means 都是机器学习算法中的常见方法,但是它们是两种不同的算法。
KNN是一种监督学习算法,常用于分类和回归任务。它的原理是根据给定的训练数据集,对新的输入实例进行分类。它的主要思想是找到最接近的 k 个训练数据集中的实例,并按照它们的多数类得出新实例的类别。KNN算法的优点是易于理解和实现,但它对训练数据集的规模和维度较为敏感。
而K-Means是一种无监督学习算法,用于聚类任务。它的主要思想是将给定的数据集分成 k 个簇,其中 k 是用户定义的常数。这些簇的类中心是数据集的部分均值,并且每个数据点属于离它最近的类中心所在的簇。K-Means算法的优点是在大规模数据集上可扩展,但它可能收敛到本地最小值,并且需要根据数据选择合适的k值。
因此,虽然它们的名称中都包含 “k”,但它们是不同的算法,用于不同类型的任务。
https://zhuanlan.zhihu.com/p/122195108