KNN k近邻算法（聚类算法），一篇文章搞懂（通俗解释）

KNN 聚类算法

交流学术思想，加入Q群 号：815783932

通俗定义，物以类聚，人以群分。将数据代入算法，距离较近的就是同一类，对真实的数据进行聚类。

KNN的算法原理：
欧几里得原理
其实就是多维数据之间的绝对距离计算公式，距离近的话就会被划分为一个类别。

  k值是可变的，表示投票权重，就是概率问题，算法根据概率做选择。
  KNN 算法优缺点
  缺点： 时间和空间复杂度太高了， 不适合训练数据过大的。
  优点：理解起来很简单，入门就能学会使用。

代码实现简单一点的。

举一个简单的电影多分类问题根据特征。

import numpy as np
import pandas as pd
from sklearn.neighbors import KNeighborsClassifier

#将数据读入 划分成x为特征，y为label 标签类型
content=pd.read_excel(r'D:\Program Files\untitled3\venv\江苏银行比赛\KNN算法的演示.xlsx')
x =content[[ '血腥镜头', '恋爱镜头', '打架镜头']]
y =content['分类']
##下面直接调用KNN算法 这里的k的意思是 选取几个点聚合成为一类。
knn = KNeighborsClassifier(n_neighbors=2)
knn.fit(x,y)
接下来我们自己创建两条数据进行预测就能清楚的看到预测的结果
x_test = np.array([[50,0,4],[1,45,2]])
y_test=knn.predict(x_test)
print(y_test)

这种方法虽然很简单，但是处理起维度较大的数据是不能的，后期会更新如何调参，如果找到最优的分类结果，可以关注我会定期更新算法的合集。