本文介绍了K-近邻（KNN）算法的基本原理和Python实现，详细讲解了如何使用欧式距离计算新数据点与训练数据集之间的距离，并根据最近的k个邻居的类别进行预测。
kNN算法是k-近邻算法的简称，主要用来进行分类实践，主要思路如下：
1.存在一个训练数据集，每个数据都有对应的标签，也就是说，我们知道样本集中每一数据和他对应的类别。
2.当输入一个新数据进行类别或标签判定时，将新数据的每个特征值与训练数据集中的每个数据进行比较，计算其到训练数据集中每个点的距离（下列代码实现使用的是欧式距离）。
3.然后提取k个与新数据最接近的训练数据点所对应的标签或类别。
4.出现次数最多的标签或类别，记为当前预测新数据的标签或类别。
欧式距离公式为：
distance= sqrt（(xA0-XB0）^2+(xA1-XB1）^2+...+(xAn-XBn）^2)(若数据有n个特征项）
最低0.47元/天 解锁文章
扫一扫
2643
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
