机器学习笔记——KNN（K-近邻算法）

最新推荐文章于 2022-11-02 17:05:22 发布
最新推荐文章于 2022-11-02 17:05:22 发布
阅读量260 收藏
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41654782/article/details/102648682
版权

K近邻算法

本算法代码/笔记参考《机器学习实战》、《统计学习方法》

参考博客:https://blog.csdn.net/weixin_41571493/article/details/82695010

1.简介

​ KNN工作原理：存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是不大于20的整数。最后，选择k个最相似数据中出现次数最多的分类，作为新数据的分类。

KNN所适用的场景：数据集较小的分类或回归任务中。

电影名称打斗镜头接吻镜头
电影11101爱情片
电影2589爱情片
电影31085动作片
电影41158动作片

2.距离度量

设特征空间 X 是n维实数向量空间Rn,
x i , x j ∈ χ , x i = ( x i ( 1 ) , x i ( 2 ) , … , x i ( n ) ) T , x j = ( x i ( 1 ) , x i ( 2 ) , … , x i ( n ) ) T , x i , x j 的 L P 距 离 定 义 为 ： x_{i},x_{j} \in \chi, x_{i}=(x_{i}^{(1)},x_{i}^{(2)},…,x_{i}^{(n)})^{T},x_{j}=(x_{i}^{(1)},x_{i}^{(2)},…,x_{i}^{(n)})^{T},x_i,x_j的L_P距离定义为： xi​,xj​∈χ,xi​=(xi(1)​,xi(2)​,…,xi(n)​)T,xj​=(xi(1)​,xi(2)​,…,xi(n)​)T,xi​,xj​的LP​距离定义为：

L p ( x i , x j ) = ( ∑ l = i n ∣ x i ( l ) − x j ( l ) ∣ p ) 1 / p L_{p}(x_{i},x_{j}) = (\sum_{l=i}^{n}|x_{i}^{(l)}-x_{j}^{(l)}|^p)^{1/p} Lp​(xi​,xj​)=(l=i∑n​∣xi(l)​−xj(l)​∣p)1/p

p=1时称为曼哈顿距离(Manhattan distance);

p=2时称为欧式距离(Euclidean distance)；

p=∞时L为各坐标距离最大值

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-EJcKjdo0-1571552575762)(C:\Users\ROG\AppData\Roaming\Typora\typora-user-images\1571230721989.png)]

我们可以从散点图大致推断，这个红色圆点标记的电影可能属于动作片，因为距离已知的那两个动作片的圆点更近。k-近邻算法用什么方法进行判断呢？没错，就是距离度量。这个电影分类的例子有2个特征，也就是在2维实数向量空间，可以使用我们高中学过的两点距离公式计算距离
∣ A B ∣ = ( x 1 − x 2 ) 2 + ( y 1 − y 2 ) 2 |AB| = \sqrt{(x_{1}-x_{2})^{2}+(y_{1}-y_{2})^{2}} ∣AB∣=(x1​−x2​)2+(y1​−y2​)2 ​
但仅仅只是计算出最小距离是不够的，这只能算是最近邻算法，而非K-近邻算法

k-近邻算法步骤如下：
  1. 计算已知类别数据集中的点与当前点之间的距离；
  2. 按照距离递增次序排序；
  3. 选取与当前点距离最小的k个点；
  4. 确定前k个点所在类别的出现频率
  5. 返回前k个点所出现频率最高的类别作为当前点的预测分类。

3.k-近邻算法

import numpy as np
import operator

"""
函数说明:创建数据集
Parameters:
    无
Returns:
    group - 数据集
    labels - 分类标签
"""
def createDataSet():
    #四组二维特征
    group = np.array([[1,101],[5,89],[108,5],[115,8]])
    #四组特征的标签
    labels = ['爱情片','爱情片','动作片','动作片']
    return group, labels

"""
函数说明:kNN算法,分类器
Parameters:
    inX - 用于分类的数据(测试集)
    dataSet - 用于训练的数据(训练集)
    labes - 分类标签
    k - kNN算法参数,选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果
"""
def classify0(inX, dataSet, labels, k):
    #numpy函数shape[0]返回dataSet的行数
    dataSetSize = dataSet.shape[0]
    #在列向量方向上重复inX共1次(横向)，行向量方向上重复inX共dataSetSize次(纵向)
    diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
    #二维特征相减后平方
    sqDiffMat = diffMat**2
    #sum()所有元素相加，sum(0)列相加，sum(1)行相加
    sqDistances = sqDiffMat.sum(axis=1)
    #开方，计算出距离
    distances = sqDistances**0.5
    #返回distances中元素从小到大排序后的索引值
    sortedDistIndices = distances.argsort()
    #定一个记录类别次数的字典
    classCount = {}
    for i in range(k):
        #取出前k个元素的类别
        voteIlabel = labels[sortedDistIndices[i]]
        #dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
        #计算类别次数
        classCount[voteIlabel] = classCount.get(voteIlabel,0) + 1
    #reverse降序排序字典
    sortedClassCount = sorted(classCount.items(),key=operator.itemgetter(1),reverse=True)
    #返回次数最多的类别,即所要分类的类别
    return sortedClassCount[0][0]

if __name__ == '__main__':
    #创建数据集
    group, labels = createDataSet()
    #测试集
    test = [101,20]
    #kNN分类
    test_class = classify0(test, group, labels, 3)
    #打印分类结果
    print(test_class)
k-近邻算法的一般流程 :
  1. 收集数据：可以使用爬虫进行数据的收集，也可以使用第三方提供的免费或收费的数据。一般来讲，数据放在txt文本文件中，按照一定的格式进行存储，便于解析及处理。
  2. 准备数据：使用Python解析、预处理数据。
  3. 分析数据：可以使用很多方法对数据进行分析，例如使用Matplotlib将数据可视化。
  4. 训练算法：此步骤不适合K-近邻算法.
  5. 测试算法：计算错误率。
  6. 使用算法：错误率在可接受范围内，就可以运行k-近邻算法进行分类。
k-近邻算法实战之约会网站配对效果判定

海伦女士一直使用在线约会网站寻找适合自己的约会对象。尽管约会网站会推荐不同的任选，但她并不是喜欢每一个人。经过一番总结，她发现自己交往过的人可以进行如下分类：

  • 不喜欢的人

  • 魅力一般的人

  • 极具魅力的人

    海伦收集约会数据已经有了一段时间，她把这些数据存放在文本文件datingTestSet.txt中，每个样本数据占据一行，总共有1000行。
    datingTestSet.txt下载
    海伦收集的样本数据主要包含以下3种特征：
    1. 每年获得的飞行常客里程数
    2. 玩视频游戏所消耗时间百分比
    3. 每周消费的冰淇淋公升数

通过这三个特征推测哪些才是海伦喜欢的类型，而哪些又不是
在这里插入图片描述

# -*- coding: UTF-8 -*-
from matplotlib.font_manager import FontProperties
import matplotlib.lines as mlines
import matplotlib.pyplot as plt
import numpy as np
import operator

"""
函数说明:kNN算法,分类器
Parameters:
    inX - 用于分类的数据(测试集)
    dataSet - 用于训练的数据(训练集)
    labes - 分类标签
    k - kNN算法参数,选择距离最小的k个点
Returns:
    sortedClassCount[0][0] - 分类结果
"""


def classify0(inX, dataSet, labels, k):
	# numpy函数shape[0]返回dataSet的行数
	dataSetSize = dataSet.shape[0]
	# 在列向量方向上重复inX共1次(横向),行向量方向上重复inX共dataSetSize次(纵向)
	diffMat = np.tile(inX, (dataSetSize, 1)) - dataSet
	# 二维特征相减后平方
	sqDiffMat = diffMat ** 2
	# sum()所有元素相加,sum(0)列相加,sum(1)行相加
	sqDistances = sqDiffMat.sum(axis=1)
	# 开方,计算出距离
	distances = sqDistances ** 0.5
	# 返回distances中元素从小到大排序后的索引值
	sortedDistIndices = distances.argsort()
	# 定一个记录类别次数的字典
	classCount = {}
	for i in range(k):
		# 取出前k个元素的类别
		voteIlabel = labels[sortedDistIndices[i]]
		# dict.get(key,default=None),字典的get()方法,返回指定键的值,如果值不在字典中返回默认值。
		# 计算类别次数
		classCount[voteIlabel] = classCount.get(voteIlabel, 0) + 1
	# python3中用items()替换python2中的iteritems()
	# key=operator.itemgetter(1)根据字典的值进行排序
	# key=operator.itemgetter(0)根据字典的键进行排序
	# reverse降序排序字典
	sortedClassCount = sorted(classCount.items(), key=operator.itemgetter(1), reverse=True)
	# 返回次数最多的类别,即所要分类的类别
	return sortedClassCount[0][0]


"""
函数说明:打开并解析文件，对数据进行分类：1代表不喜欢,2代表魅力一般,3代表极具魅力
Parameters:
    filename - 文件名
Returns:
    returnMat - 特征矩阵
    classLabelVector - 分类Label向量
"""

def file2matrix(filename):
	# 打开文件
	fr = open(filename)
	# 读取文件所有内容
	arrayOLines = fr.readlines()
	# 得到文件行数
	numberOfLines = len(arrayOLines)
	# 返回的NumPy矩阵,解析完成的数据:numberOfLines行,3列
	returnMat = np.zeros((numberOfLines, 3))
	# 返回的分类标签向量
	classLabelVector = []
	# 行的索引值
	index = 0
	for line in arrayOLines:
		# s.strip(rm)，当rm空时,默认删除空白符(包括'\n','\r','\t',' ')
		line = line.strip()
		# 使用s.split(str="",num=string,cout(str))将字符串根据'\t'分隔符进行切片。
		listFromLine = line.split('\t')
		# 将数据前三列提取出来,存放到returnMat的NumPy矩阵中,也就是特征矩阵
		returnMat[index, :] = listFromLine[0:3]
		# 根据文本中标记的喜欢的程度进行分类,1代表不喜欢,2代表魅力一般,3代表极具魅力
		if listFromLine[-1] == 'didntLike':
			classLabelVector.append(1)
		elif listFromLine[-1] == 'smallDoses':
			classLabelVector.append(2)
		elif listFromLine[-1] == 'largeDoses':
			classLabelVector.append(3)
		index += 1
	return returnMat, classLabelVector


"""
函数说明:可视化数据
Parameters:
    datingDataMat - 特征矩阵
    datingLabels - 分类Label
Returns:
    无
"""


def showdatas(datingDataMat, datingLabels):
	# 设置汉字格式
	font = FontProperties(fname=r"c:\windows\fonts\simsun.ttc", size=14)
	# 将fig画布分隔成1行1列,不共享x轴和y轴,fig画布的大小为(13,8)
	# 当nrow=2,nclos=2时,代表fig画布被分为四个区域,axs[0][0]表示第一行第一个区域
	fig, axs = plt.subplots(nrows=2, ncols=2, sharex=False, sharey=False, figsize=(13, 8))

	numberOfLabels = len(datingLabels)
	LabelsColors = []
	for i in datingLabels:
		if i == 1:
			LabelsColors.append('black')
		if i == 2:
			LabelsColors.append('orange')
		if i == 3:
			LabelsColors.append('red')
	# 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第二列(玩游戏)数据画散点数据,散点大小为15,透明度为0.5
	axs[0][0].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 1], color=LabelsColors, s=15, alpha=.5)
	# 设置标题,x轴label,y轴label
	axs0_title_text = axs[0][0].set_title(u'每年获得的飞行常客里程数与玩视频游戏所消耗时间占比', FontProperties=font)
	axs0_xlabel_text = axs[0][0].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font)
	axs0_ylabel_text = axs[0][0].set_ylabel(u'玩视频游戏所消耗时间占', FontProperties=font)
	plt.setp(axs0_title_text, size=9, weight='bold', color='red')
	plt.setp(axs0_xlabel_text, size=7, weight='bold', color='black')
	plt.setp(axs0_ylabel_text, size=7, weight='bold', color='black')

	# 画出散点图,以datingDataMat矩阵的第一(飞行常客例程)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
	axs[0][1].scatter(x=datingDataMat[:, 0], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5)
	# 设置标题,x轴label,y轴label
	axs1_title_text = axs[0][1].set_title(u'每年获得的飞行常客里程数与每周消费的冰激淋公升数', FontProperties=font)
	axs1_xlabel_text = axs[0][1].set_xlabel(u'每年获得的飞行常客里程数', FontProperties=font)
	axs1_ylabel_text = axs[0][1].set_ylabel(u'每周消费的冰激淋公升数', FontProperties=font)
	plt.setp(axs1_title_text, size=9, weight='bold', color='red')
	plt.setp(axs1_xlabel_text, size=7, weight='bold', color='black')
	plt.setp(axs1_ylabel_text, size=7, weight='bold', color='black')

	# 画出散点图,以datingDataMat矩阵的第二(玩游戏)、第三列(冰激凌)数据画散点数据,散点大小为15,透明度为0.5
	axs[1][0].scatter(x=datingDataMat[:, 1], y=datingDataMat[:, 2], color=LabelsColors, s=15, alpha=.5)
	# 设置标题,x轴label,y轴label
	axs2_title_text = axs[1][0].set_title(u'玩视频游戏所消耗时间占比与每周消费的冰激淋公升数', FontProperties=font)
	axs2_xlabel_text = axs[1][0].set_xlabel(u'玩视频游戏所消耗时间占比', FontProperties=font)
	axs2_ylabel_text = axs[1][0].set_ylabel(u'每周消费的冰激淋公升数', FontProperties=font)
	plt.setp(axs2_title_text, size=9, weight='bold', color='red')
	plt.setp(axs2_xlabel_text, size=7, weight='bold', color='black')
	plt.setp(axs2_ylabel_text, size=7, weight='bold', color='black')
	# 设置图例
	didntLike = mlines.Line2D([], [], color='black', marker='.',
	                          markersize=6, label='didntLike')
	smallDoses = mlines.Line2D([], [], color='orange', marker='.',
	                           markersize=6, label='smallDoses')
	largeDoses = mlines.Line2D([], [], color='red', marker='.',
	                           markersize=6, label='largeDoses')
	# 添加图例
	axs[0][0].legend(handles=[didntLike, smallDoses, largeDoses])
	axs[0][1].legend(handles=[didntLike, smallDoses, largeDoses])
	axs[1][0].legend(handles=[didntLike, smallDoses, largeDoses])
	# 显示图片
	plt.show()


"""
函数说明:对数据进行归一化
Parameters:
    dataSet - 特征矩阵
Returns:
    normDataSet - 归一化后的特征矩阵
    ranges - 数据范围
    minVals - 数据最小值
"""


def autoNorm(dataSet):
	# 获得数据的最小值
	minVals = dataSet.min(0)
	maxVals = dataSet.max(0)
	# 最大值和最小值的范围
	ranges = maxVals - minVals
	# shape(dataSet)返回dataSet的矩阵行列数
	normDataSet = np.zeros(np.shape(dataSet))
	# 返回dataSet的行数
	m = dataSet.shape[0]
	# 原始值减去最小值
	normDataSet = dataSet - np.tile(minVals, (m, 1))
	# 除以最大和最小值的差,得到归一化数据
	normDataSet = normDataSet / np.tile(ranges, (m, 1))
	# 返回归一化数据结果,数据范围,最小值
	return normDataSet, ranges, minVals


"""
函数说明:通过输入一个人的三维特征,进行分类输出
Parameters:
    无
Returns:
    无
"""


def classifyPerson():
	# 输出结果
	resultList = ['讨厌', '有些喜欢', '非常喜欢']
	# 三维特征用户输入
	precentTats = float(input("每年获得的飞行常客里程数:"))
	ffMiles = float(input("玩视频游戏所耗时间百分比:"))
	iceCream = float(input("每周消费的冰激淋公升数:"))
	# 打开的文件名
	filename = "KNN/datingTestSet.txt"
	# 打开并处理数据
	datingDataMat, datingLabels = file2matrix(filename)
	# 训练集归一化
	normMat, ranges, minVals = autoNorm(datingDataMat)
	# 生成NumPy数组,测试集
	inArr = np.array([precentTats, ffMiles, iceCream])
	# 测试集归一化
	norminArr = (inArr - minVals) / ranges
	# 返回分类结果
	classifierResult = classify0(norminArr, normMat, datingLabels, 3)
	# 打印结果
	print("你可能%s这个人" % (resultList[classifierResult - 1]))


"""
函数说明:main函数
Parameters:
    无
Returns:
    无
"""
import sys
if __name__ == '__main__':
	# filename = "KNN/datingTestSet.txt"
	# # 打开并处理数据
	# datingDataMat, datingLabels = file2matrix(filename)
	# showdatas(datingDataMat, datingLabels)
	classifyPerson()
	sys.exit(0)

输入（40000， 10， 0.5 ）测试数据得到预测结果：

在这里插入图片描述

Timing、
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
机器学习实战（python3)
qq_43163978的博客
03-08 241
码源&资料
机器学习实战 Python3 实现
默默学习
05-28 3357
之前在学习《机器学习实战》这本书，本来说在 CSDN 上更新自己的学习进度，后来因为代码还要重新贴，就直接在 GitHub 上 备份了。 有学习兴趣的小伙伴可以去 GitHub 上支持一下：https://github.com/TrWestdoor/Machine-Learning-in-Action 所有代码都在 pycharm 上运行测试通过，同时在对应章节下已经放好了该章节的数据集，Py...
[机器学习实战]K-近邻算法
Mantou的博客
04-11 166
1. K-近邻算法概述(k-Nearest Neighbor，KNN) K-近邻算法采用测量不同的特征值之间的距离方法进行分类。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。 优点：精度高、对异常数据不敏感、无数据输入假定。 缺点：计算复杂度高、空间复杂度高。 适用数据范围：数值型和标称型。 KNN工...
机器学习实战笔记五_Python3
shunquanlan9446的博客
04-01 236
程序清单2-4，本笔记将主要注意力放在理解代码上，所以大家看代码中的注释即可伪代码def datingClassTest(): #使用10%的数据去测试分类器 hoRatio = 0.10 # hold out 10% #datingTestSet2.txt中标签全部变为3,2,1，而不是字符串label，所以如果不想改file2matrix（）函数，应用datingTe...
K-近邻算法实战
Scanf_void_he的博客
11-02 286
k-近邻算法实战
PYTHON机器学习——KNN（k近邻算法）
12-22
PYTHON机器学习——KNN（k近邻算法） 代码实现 首先，导入需要用到的包 import numpy as np import matplotlib.pyplot as plt 初始化模拟数据集和对应的分类 data_x=[[1.15,2.34], [1.55,2.47], [3.78,4.98], ...
K-近邻算法KNN学习笔记
01-27
K-近邻算法（K-Nearest Neighbor, KNN）是一种基础的机器学习算法，主要用于分类和回归任务。它的核心思想是基于实例的学习，通过在训练数据集中寻找与新样本最为相似的邻居来做出预测。KNN算法由Cover T和Hart P在...
机器学习实战-k-近邻算法改进约会网站的配对效果
08-15
在本实践项目中，我们将深入探讨如何利用机器学习中的k-近邻算法（K-Nearest Neighbors，简称KNN）来改进约会网站的配对效果。KNN是一种非参数监督学习方法，常用于分类和回归任务。在这个案例中，我们将关注其在...
机器学习-基于KNN的K近邻算法.zip
最新发布
06-29
机器学习 机器学习_基于KNN的K近邻算法
K近邻算法实战
xiaomi5410的博客
06-28 389
K近邻算法实战-房价预测
K近邻算法的一些实战经验-超详细代码.py
10-13
直接打开代码就能直接运行 ，讲解就在代码里面，超级详细， 天下无敌
Python3机器学习实战教程.zip
01-24
史诗级干货，机器学习实战+Python3实现
Machine-Learning-in-Action-Python3:《机器学习实战》的python3
03-22
机器学习在实践中Python3 本人是西安电子科技大学的一名研二在读学生，在学习机器学习的过程中拜读了王斌老师翻译的《机器学习实战》一书，书中对算法的原理以及编程实现进行了详细的介绍。 机器学习实战一书中的代码是基于python2的，故对书中的代码重新编写整理，全部代码可在python3环境下运行。 所有源程序中，文件夹名称的命名规则为：算法名称+对应书中的第几个案例，几个几个案例因为数据量比较大所以采用压缩包上传。 如果代码有任何问题欢迎与我联系，联系方式： 版本更新记录 2019/2/9在kNN_Project1文件夹下更新了鸢尾花多分类任务的sklearn包实现，文件命名为Chap_1.py 2020/8/2 NeuralNetwork_Project1的代码是对《 Python神经网络编程》这本书中代码的整理
白话机器学习算法理论+实战之K近邻算法
Miracle8070
02-14 2729
1. 写在前面 如果想从事数据挖掘和数据分析的工作，掌握常用的机器学习算法是非常有必要的，比如我之前写过的一篇十大机器学习算法的小总结，在这简单的先捋一捋， 常见的机器学习算法： 监督学习算法：逻辑回归，线性回归，决策树，朴素贝叶斯，K近邻，支持向量机，集成算法Adaboost等 无监督算法：聚类，降维，关联规则, PageRank等 为了详细的理解这些，曾经看过西瓜书，统计学习方法，机器学习...
Python数据分析与机器学习实战＜三＞Pandas
qq_54809548的博客
10-21 760
pandas做数据预处理是是很方便的。 Pandas读取数据
机器学习实战 Python3编译存在的各种问题
weixin_38812277的博客
12-13 1011
机器学习实战一书存在的bug和Python3编译存在的问题
机器学习实战（一）：k-近邻算法
Wolf_xujie的博客
08-09 818
1.1 k-近邻法简介 k近邻法(k-nearest neighbor, k-NN)是1967年由Cover T和Hart P提出的一种基本分类与回归方法。它的工作原理是：存在一个样本数据集合，也称作为训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一个数据与所属分类的对应关系。输入没有标签的新数据后，将新的数据的每个特征与样本集中数据对应的特征进行比较，然后算法提取样本最相似数据(最近邻)的分类标签。一般来说，我们只选择样本数据集中前k个最相似的数据，这就是k-近邻算法中k的出处，通常k是
K近邻分类算法实战教程
neweastsun的专栏
06-26 665
KNN算法中的k表示邻近数据结点的数量，其算法过程如下：选择邻近结点数量K计算出测试数据结点和K个最近结点的距离在这个K个距离中，对每个分类进行计数依据少数服从多数原则，将测试数据结点归入在K个点中占比最高的那一类对于KNN分类算法，两点的距离计算采用欧式距离。请看下图： 假设数据集包括两类，分别为红色和蓝色表示。我们选择k为5，即基于欧式距离考虑5个最近结点，所以当测试新数据点时，5个结点，其中国三个蓝色、两个红色。则认为新数据点分类为蓝色。鸢尾花数据集(Iris)包括3种鸢尾(setosa, virgi
机器学习实战（k-近邻算法-入门篇）
热门推荐
Negen.H
08-13 2万+
  k-近邻算法概述 k-近邻算法就是采用测量不同的特征值之间的距离进行分类 它的工作原理是：存在一个样本数据集合，也称作训练样本集，并且样本集中每个数据都存在标签，即我们知道样本集中每一数据与所分类类别的对应关系。输入没有标签的新数据后，将新数据的每个特征最相似数据（最邻近）的分类标签。一般来说，我们只选择样本数据集中的前k个最相似的数据，这就是k-近邻算法中的k的出处，通常k<=2...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值