KNN算法是一种简单的数据挖掘分类技术，基于最近邻原则。本文介绍了KNN的概念，包括距离度量（如欧氏距离和曼哈顿距离）、K值选择的影响以及分类决策规则。并详细阐述了KNN的计算步骤：计算距离、寻找最近邻和进行分类。最后，讨论了使用TensorFlow实现KNN的可能性。
一、KNN算法的概念
邻近算法，或者说K最近邻(kNN，k-NearestNeighbor)分类算法是数据挖掘分类技术中最简单的方法之一。
所谓K最近邻，就是k个最近的邻居的意思，说的是每个样本都可以用它最接近的k个邻居来代表。
简单来说，K-NN可以看成：有那么一堆你已经知道分类的数据，然后当一个新数据进入的时候，
就开始跟训练数据里的每个点求距离，然后挑离这个训练数据最近的K个点看看这几个点属于什么类型，然后用少数服从多数的原则， 给新数据归类。
二、K近邻分类模型的三要素：
a：距离度量 b:K值的选择 c：分类决策的规则
距离度量:
1.欧氏距离是最常见的距离度量，衡量的是多维空间中各个点之间的绝对距离。公式如下：
d i s t ( X , Y ) = ∑ i = 1 N ( x i − y i ) 2 dist(X,Y) = \sqrt{\sum\limits_{i=1}^{N}{(x_i - y_i)^2}} dist(X,Y)=i=1∑N(x
最低0.47元/天 解锁文章
3598
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
