点击进入专栏:
《人工智能专栏》 Python与Python | 机器学习 | 深度学习 | 目标检测 | YOLOv5及其改进 | YOLOv8及其改进 | 关键知识点 | 各种工具教程
文章目录
- 一 KNN算法原理
- 二 KNN三要素
- 三 机器学习中标准化
- 四 KNN分类预测规则
- 五 KNN回归预测规则
- 六 KNN算法实现方式
- 七 KD Tree
-
- 7.1 构造KDtree
- 7.2 KD tree查找最近邻
- 八 KNN特点
- 九 KNN算法实现
-
- 案例一
- 案例二
- 1. 机器学习
- 2. 深度学习与目标检测
- 3. YOLOv5
- 4. YOLOv5改进
- 5. YOLOv8及其改进
- 6. Python与PyTorch
- 7. 工具
- 8. 小知识点
- 9. 杂记
一 KNN算法原理
K近邻 分类,回归 K=1 最近邻,多分类 多数表决规则等价于0-1损失函数下的经验风险最小化 KDTree是一种存储k维空间数据的树结构,KDTree是平衡二叉树 K近邻(K-nearst neighbors, KNN)是一种基本的机器学习算法,所谓k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;KNN算法既可以应用于分类应用中,也可以应用在回归应用中
KNN在做回归和分类的主要区别在于最后做预测的时候的决策方式不同。KNN在分类预测时,一般采用多数表决法;而在做回归预测时,一般采用