k近邻算法原理与应用--鸢尾花分类器的实现

之前那篇文章,手工打造 1-NN 的算法,来实现水果的分类;
今天来主要总结一下 k-NN的算法原理,以及基于 sklearn 实现鸢尾花分类。


目录
1、k近邻算法原理
2、优缺点分析
3、应用——鸢尾花分类


一、k近邻算法原理

原理图参考 机器学习100天——第7天k-NN
k近邻是一种简单的但也常用的分类算法,也可以应用到回归计算。
k近邻是无参数学习,没有假设函数,它是基于实例的,在一个有监督的环境下使用。

做出预测
首先输入训练样本,然后让你准备测试的样本去循环遍历每一个训练样本,找到K个与测试样本距离最近的训练样本,以这几个训练样本大多数的分类为最后的预测值。

距离度量

  • 欧式距离(最常用)坐标点的平方根
  • 汉明距离
  • 曼哈顿距离
  • 闵氏距离

K的取值
k太小:容易受到异常值的影响
k太大:计算成本太高


二、优缺点分析

1、优点

  • 简单,易于实现
  • 易于理解
  • 无需训练
  • 6
    点赞
  • 40
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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